基于光照变换的gabor小波人脸识别-杨燕.pdf

《基于光照变换的gabor小波人脸识别-杨燕.pdf》由会员分享，可在线阅读，更多相关《基于光照变换的gabor小波人脸识别-杨燕.pdf（6页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、ComputerEngineering andApplications计算机工程与应用基于光照变换的Gabor 波人脸识别杨燕，樊林庆YANG Yan，FAN Linqing兰州交通大学电子与信息工程学院，兰州730070College of Electronic and Information Engineering，Lanzhou Jiaotong University,Lanzhou 730070，ChinaYANG Yan，FAN LinqingFace recognition based on light transform Gabor waveletComputer Enginee

2、ring andAppHcafions，2016，52(5)：220-224Abstract：Illumination variation causes the uneven grayscale distribution of the facial image，thus leading a big contractdifference in part，then the descent of face recognitionTherefore，in the first place，based on the homomorphic filtering，the paper presents a ne

3、w method ofGaussian filtering by changing the filtering functionIn the following step，it enlargesthe dynamic grayscale range of the image through histogram equalization for the sake of extracting the Gabor wavelet feature from the facial imageAt last，it recognizes the facial image through nearest ne

4、ighbor methodThe Yale and CMUand PIE database，featuring significant illumination variation，can provide the best result by reducing dimension of facialimage and shortening the extracting timeKey words：illumination variation；Gaussian filter；histogram equalization；Gabor wavelet摘要：光照变化易使人脸图像的灰度分布不均，造成局部

5、对比度差别较大，会引起人脸识别正确率下降。为此在同态滤波的基础上，改变滤波函数，提出了。高斯滤波的人脸识别方法，接着对滤波后的图像直方图均衡化，来增加图像的灰度动态范围，然后对人脸图像提取Gabor小波特征，最后利用最近邻法识别人脸图像。在光照变换明显的Yale B和CMU PIE数据库识别效果最好，降低了人脸图像的特征维数，缩短了特征提取时间，有效地提高了人脸识别率。关键词：光照变化；高斯滤波；直方图均衡化；Gabor小波文献标志码：A 中图分类号：TP391 doi：103778jissn10028331140503801 引言人脸识别是一种利用人脸进行身份鉴别的生物识别技术，在信息安全、

6、智能卡系统、人机交互等方面有着广阔的应用前景，已成为当前的一个研究热点。基于这些原因人脸识别涌现出了许多的方法，如传统的主成分分析PCA和线性鉴别分析LDA方法，但二者存在小样本问题且进行特征分解，对复杂光照下的人脸不能提取抗光照的鲁棒特征。Land提出Retinex理论可以改善图像的颜色的恒常性，压缩图像动态范围，提高对比度，但是在明暗对比强烈处会产生“光晕现象”，从而影响后继的图像处理。所以在日常的人脸识别中，光照变换是个很普遍的问题。针对该问题，国内外研究者已提出了许多处理方法，大致可分为以下三类：(1)人脸建模。该类方法的主要思想是在一个子空间中表示不同光照引起的变化，并估计模型参数伫

7、，。文献3】证明了任意光照下朗伯凸表面的图像可以用一个9D子空间(由9个球面谐波基图像张成)很好地近似。它提高了不同光照下人脸识别率，但需要大量的图像样本，计算量大，不便进行实时处理。(2)光照归一化。此方法利用基本的图像处理技术对图像进行预处理，获取鲁棒的光照图像，例如：伽马校正、同态滤波、有向局部直方图均衡化。文献5】提出了一种对称的从影调中恢复形状结合通用三维模型的方法，提高了识别性能，但是，该方法只对人脸正面图像基金项目：甘肃省科技厅自然科学基金(No1310RJZA050)。作者简介：杨燕(1972一)，女，副教授，研究生导师，研究领域为数字图像处理、语音信号处理；樊林庆(1988一

8、)，男，硕士，研究领域为人脸识别，E-mail：fanlinqingad163corn。收稿日期：20140529 修回日期：20140805 文章编号：10028331(2016)05022005CNKI网络优先出版：2014-1211，http：wwwcnkinetkcmsdetail112127TP201412111526046html万方数据杨燕樊林庆：基于光照变换的GabortJ、波人脸识别的提取有效并且需要假定所有的人脸形状都是相似的。文献【6】提出了一种归一化方法称之为商光照再点亮，该方法假定图像的光照模型已知或可以估计得到。此类方法使图像在不同的光照变换下显示出稳定性，在一定程

9、度上可消除光照影响，但识别率低。(3)提取光照不变量。该类方法试图提取光照不变量或者对光照不敏感的人脸特征p，来消除光照变换的影响。比如自商图像、梯度脸n，、去噪模型和局部二值模式(Local Binary PaRem，LBP)p11 01等。Chen等人”“提出了Logarithmic Toal Variation(LTV)模型，在对数域运用总变分模型估计人脸反射成分。文献121介绍了一种商图像法，该方法需要自建一个辅助数据库，当测试集和辅助数据库中的图像的主导特征没有对齐时识别性能会下降。该类方法已成为人脸识别中消除光照变化的研究热点。由以上可知光照对人脸图像的识别造成了很大的困难，常用的

10、方法是在进行识别之前将人脸图像中的不同光照归一化为理想的光照即光照归一化，为此人们提出了很多的方法。文献【13根据人脸光照变化非线性的特点，提出了二次多项式模型的人脸光照归一化的方法，描述非正面光照条件下的人脸图像与标准光照条件下的图像在对应像素点灰度值之间的关系。文献14】提出了人眼位置与人脸轮廓相结合的人脸归一化方法。文献【15】利用人脸的对称性提出了人脸对称性的光照归一化方法，解决了阴影对人脸识别的影响。从人们对光照归一化的研究和分析可知，光照归一化是不受后端识别算法的限制，可以作为一个预处理步骤独立进行，有很好的灵活性。本文在同态滤波和直方图均衡化的基础上，将滤波函数改为高斯差分来对图

11、像进行滤波，有效地减少光照变换对人脸的影响，并对滤波后的图像进行直方图均衡化，增加图像灰度的动态范围，增强图像整体对比度，然后利用不同方向的二维实Gabordx波提取Gabor图像特征并和原始图像灰度相结合作为图像的最后特征，最终得到光照不变量。为了验证提取的光照不变量的性能，在Yale B和CMU PIE人脸库上做了对比实验，结果表明，本文算法能够有效消除光照变换对人脸识别的影响，提取的光照不变量具有一定的鲁棒性。2算法描述21光照归一化光照归一化采用了文献16】中同态滤波和直方图均衡化相结合的方法。同态滤波是针对图像的频域而言，是对图像灰度范围进行调整，通常是把光照成分和反射成分的乘性关系

12、转换为加性关系，用高通滤波器来滤除光照成分。目的就是增强暗区域的图像细节，又不影响亮区的图像细节，也就是增强图像对比度，其算法流程如图1所示。厂(z，y)叫In H DFT H日(“，力H(DFT)。H exp卜如，y)图1同态滤波流程图人脸识别中的光照处理方法普遍采用朗伯光照模型，在该模型的基础上，文献【17】将目标物体表面的发射率和法向量看做物体表面的内在特征，提出了简化模型，即一幅图像是由照度分量和反射分量组成，即f(x，Y)=i(x，Y)r(x，y) (1)其中i(x，Y)为照度分量，对应图像的低频部分，表示外界光源，r(x，y)为反射分量，对应图像的内在特征，为图像的光照不变量，它取

13、决于物体的反射率和表面法向量，对应图像的高频部分。根据郎伯光照模型对式(1)进行对数变换：lnf(x，力=Ini(x，力+Inr(x，y) (2)接着两边作傅里叶变换得：，(“，v)=(“，v)+只(“，v) (3)用一个高通滤波器H(u，1，)处理F(u，v)，可得；F(u，v)H(u，V)=I(u，v)H，y)+R(x，y)H(x，Y)然后对上式进行逆傅里叶变换到空间域，再将得到的式子两边取整，就可以得到原始的反射率图像，就是去除图像中光照有关的量的图像，即g(x，Y)=expI，(x，y_=expIhi(z，y_expIhr(工，y)l由于大多数同态滤波器中滤波函数采用高通滤波，去除了图

14、像的低频信息，增强了高频，但部分低频信息也包含了重要的信息，同时高频中也混杂了部分噪声，全部保留也会造成不良影响，造成某些特征的丢失，而高斯差分滤波器弥补了这个不足，它是一个对高低频影响不同的滤波器函数，消除了大部分光照成分同时也增强了图像的边缘和细节。同态滤波器中，滤波器函数为高斯差分滤波器，高斯函数的差分是在某一尺度上的特征可以通过对两个相邻高斯尺度空间的图像相减，得到高斯函数的响应值图像，即在图像处理中，就是讲两幅图像在不同的参数下的高斯滤波结果相减。滤波函数如下：一DZ(p，=,一o)n(tD)=(y何一YL)1e“。+Y其中，D(p，为点(，D)到频率平面原点的距离。D。为截断频率，

15、)，。和Y是用来控制滤波器函数斜面的两个参数，且y爿y0，并在实验中，Y1。但滤波后的图像整体灰度偏暗，对比度不明显，所以在处理的基础上，又增加了直方图均衡化处理步骤。万方数据Computer Engineering andApplications计算机工程与应用直方图均衡化主要用于增强动态范围偏小的图像反差。图像的灰度统计直方图是一个一维的离散函数：h(k)=n女，|=0，1，2，L一1n。是图像f(x，Y)中灰度值k的像素个数，则每个灰度级出现的频率为：H，P，o)=寻，0矗1，后=0，1，L一1S。为图像f(x，Y)的第k级灰度值，n是像素总素。根据上式得到灰度变换公式：女们 k气=鲁=

16、Pf=0一 i=0在实际应用中直方图均衡化计算步骤如下：(1)统计原始图像灰度级k。(2)计算原始图像直方图S。(3)根据公式计算累积直方图各项t。(4)取整扩展：t女=int(L一1)tt+05。(5)确定映射对应关系S。寸t。，得到均衡处理后的图像。如图2所示，经过实验验证取控制滤波器斜面的两个参数为YH=2和y。=002，操作尺寸为9的滤波模板，并且截止频率为o05 xpi时的高斯差分滤波之后的图像。(C)直方图均衡化后的图像一图2人脸图像归一化从图2中可以看出，采用高斯差分滤波器，有效改善了图像滤波后整幅人脸光照不均现象和面部细节信息，并且在经过直方图均衡化后，图像的细节和边缘信息更清

17、晰，纹理更加明显。22增强的Gabor特征在统计意义下，Gabor小波能够较好地模拟人类的视觉皮层区简单细胞空间和空间频谱的相应特性，是图像的多尺度表示和分析的有力工具，因此，在人脸识别的特征提取领域内得到广泛应用。小波变换是用一组滤波器函数与给定信号的卷积来表示或逼近一个信号，二维Gabor滤波器的函数形式可以表示为下式：缈学唧(一竖掣)exp(i删一p(_触2勺=网=cos式中，x为给定位置的图像坐标；后i为一个频率向量，它决定了gabor核的尺度和方向。妒。体现了滤波器的方向选择性，业业用来补偿由频率决定的能量谱衰减，eXp(一掣)用来约束平面波的高斯函数，exp(i勺x)为振荡函数，实

18、部为余弦函数，虚部为正弦函数，exp(一妥)用来消除图像的直流成份对变换的影响，使得二维Gabor小波变换不受图像灰度绝对数值的影响，并且对图像的光照变化不敏感。为了描述图像的局部特征，通常人脸图片的Gabor特征由人脸图片和Gabor滤波器的卷积得到，采用5个中心频率和8个方向组成40个Gabor滤波器J|i，参数k。和妒，的取值如下：一单 一k。=22 7c，=黄式中，V-0，1，-一，4，=0，1，7，=+8v，图3为5个中心频率和8个方向组成的Gabor滤波器组。嘲 _I一_I一一_l_曩_蠢誓誓墨羹叠嗣置酱簟誓曩叠蠢嚣嚣嚣麓鏊翟曩蠹目雪鞫麓噩(a)原图 b)Gabord、波滤波的幅度

19、图3 Gabord、波滤波器的幅度大多数用Gabor小波对人图像进行变换，都是把Gabor和图像卷积的幅值和相位系数或者它们的实部和虚部作为Gabor特征，但是这些都是从不同方向或角度提取的局部特征，是能较好地表示人脸模式的局部特征，然而没有考虑图片的原始灰度值信息所表示人脸模式的全局特征。图片的原始灰度值是基于表观的人脸识别算法的全部数据u“，被认为是一种代表人脸模式的全局特征数据，基于这一点本文引用文献221提出了增强的Gabor特征，对高斯差分滤波器和直方图均衡化提取的光照不变量的人脸图像提取其Gabor特征。它是将提取的这40个不同方向和角度的幅值或者相位信囡圈一一一一麴雹h。i一一辫

20、万方数据杨 燕，樊林庆：基于光照变换的GabortJ、波人脸识别息和原始图像的灰度信息相结合，作为人脸图像的特征，其具体步骤如下：(1)对原始图片双线性插值归一化为6464的图片。(2)把光照归一化和裁剪过得图片和Gabor滤波器进行卷积得到40张Gabor特征图片。(3)所有的Gabor特征图片和原始图片中的每张图片用双线性插值降维为1616的图片，同时把每一张图片变形为256x1的向量。(4)将这41个向量构成一个256x41的矩阵，即所谓的特征矩阵。显然，这个特征矩阵既包含了丰富的局部特征信息也包含了全局特征信息。23分类器的设计人脸分类算法主要包括线性判别分类，最近邻分类，神经网络和支

21、持向量机。本文选最熟悉的最近邻分类进行分类识别人脸图像。设人脸共有C类，在CO。类中(其中1尼C)第n个人脸图像经Gabor小波变换后产生的个特征向量组成的向量矩阵为y?：吖=F川n F三；，F知】其中，品表示该人脸样本经增强型的Gabor小波变换后输出的第，个向量降维后得到的特征向量。则规定输入一个样本图像X经过增强Gabor小波特征向量V的判别函数为：gt(y)=min(d(V，V。n)，七=1，2，C其中d表示相应的距离函数，决策规则可以写为：若gj(x)=mjngt(x)，f_1，2，c，则决策x。只要比C较X与x=y个已知类别的样本特征向量之间的距 置。离，并决策X与离它最近的样本同

22、类。则识别率=正确归类的测试样本个数总的测试样本个数100。3实验及结果为了验证算法的有效性，选择两个著名的光照人脸库：Yale B和CMP PIE进行对比实验。实验中本文算法与LBP、LPQ等方法进行了比较，给出了相应的实验结果。实验中，在特征提取阶段，采用对光照变化敏感的PCA方法对光照不变量进行降维，提取整体特征；在识别阶段，使用基于欧式距离的最近邻分类器对人脸图像进行分类。实验环境条件为，AMD Athlon“II X2 245、CPU291 GHz、内存20 GB硬件环境和Matlab R2012b的软件环境。31 Yale B人脸库的实验结果Yale B L2”人脸库由Yale大学

23、计算视觉与控制中心建立，它包含了10个人的5 760幅点光源图像。每人具有9种头部姿态，每种姿态下均有64种不同的光照条件的图像，原始图像大小为640480。所有图像都进行了手工对齐并进行了人工裁剪仅保留面部区域，图像大小被调整为192168。本文重点在消除光照的影响，因此实验中仅使用正面图像，共计640幅进行实验。为了进行比较，本文同时列举了文献24中测试的LBP、LPQ”、LDP、GGPP四种方法在人脸库上的识别率。各算法的识别率如表1所示。由表1可知，本文方法具有较好的识别效果，且具有较好的鲁棒性。本文使用光照归一化对人脸图像进行处理，提取光照不变成分，滤波中使用了高斯差分函数作为滤波函

24、数，抑制了低频成分的同时增强高频成分，得到减少光照成分的同时增强反射成分的效果，这样就有效地减弱了光照变化对人脸的影响。32 CMU PIE人脸库的实验结果CMU PIE人脸库由美国卡耐基梅隆大学创建，该人脸库包含68位志愿者的41 368幅多种姿态、多种光照情况和不同表情的面部图像。库中的姿态和光照变换图像是在严格的控制条件下采集的，原始图像大小为640480，实验选取30个人，每人10张，一共300张图像进行实验，每组实验重复进行20次，所有图像均是正面中性表情的人脸图像并且都进行了手工对齐裁剪仅保留面部区域，图像大小被调整为6464。本文选择正面、无表情、不同光照情况的人脸图像作为实验对

25、象。图4一些剪切好的不同光照人脸样本图像CMU PIE人脸库中的实验结果与Yale B人脸库呈现相同趋势，说明本文算法能够有效地克服光照的影卫墨|撇蝴馏眦懈!三一G一3678889粹焉竺慧篙竺罢篡黧篙一望篡麓焉队一施一粥丽饼舯肿舢一极，的卯踮鼯叭吣翌塑一雠一，：，。，。，。万方数据224 2016，52(5) ComputerEngineeringandApplications计算机工程与应用表2不同算法在CMU PIE人脸库上的识别率比较响，进而提高人脸识别的准确率。其次实验从提取人脸特征角度出发选用了本文的增强Gabor型特征，传统的Gabordx波提取的人脸特征以及文献26中的Gabor

26、相位特征。并对它们的识别率进行了比较，结果如表3所示。表3 Yable羊11 CMU PIE数据库实验结果对比从表3可以看出，在两个典型的光照人脸数据库中，本文中的增强Gabor特征的识别率均高于其他两种方法，其次从22节中可知，Gabor提取的人脸特征本身就对光照具有一定的鲁棒性，这使得图像预处理之后，提取图像特征，提高了人脸图像的识别率。4结束语在实际应用中，由于光源的方向、数量、强度的不同会造成人脸图像的光照不均匀，这极大地影响了人脸识别率。针对光照对人脸识别影响较大的问题，提出了一种基于同态滤波高斯差分的归一化预处理和增强的Gabor特征的人脸识别方法。实验表明：本文提出的方法可以有效

27、改善复杂光照情况下的人脸识别率，但由于遮挡、姿态也是影响人脸识别的关键因素，因此本文后续将针对这一问题进行深入研究。参考文献：【1】Land R HRecent advances in retinex theory and someimplications for conical computations：color vision andthe natural imageJProceedings of the National Academyof Sciences of the United States of America1 983。80(16)：51635169【2】2程勇人脸识别中光照

28、不变量提取算法研究D】南京：南京理工大学，2010【3Basil R，Jacobs D WLambertian reflectance and linearsubspacesJIEEE Trans on Paaern Anal Mach Intel，2003。25(2)：218-2334】Lee Pinghan，Wu Szuwei，Hung YipingIllumination com-pensation using oriented local histogram equalizationand its application to face recognitionJIEEE Transac

29、-tions on Image Processing，2012，21(9)：4208-42985】Zhao W，Chellappa RIllumination-insensitive face recog-nition using symmetric shape-from-shadingCProc IEEEConf Computer Vision and Pattern Recognition，2000：286293【6】Shan S，Gao W，Gao B，et a1Illumination normalizationfor robust face recognition against v

30、arying lighting con-ditionsCProc IEEE Workshop on AMFG，2003：157164【7Makwana R MIllumination invariant face recognition：asurvey of passive methodsCProcedia Computer Sci-ence：Proceedings of the International Conference andExhibition on Biometrics Technology，2010，2：101-110【8】Zhang Taiping，Tang Yuanyan，

31、Fang Bin，et a1Face recog-nition under varying illumination using gradientfacesJIEEE Transactions on Image Processing，2009，1 8(1 1)：25992606【9Huang Di，Shan Caifeng，Ardabilian M，et a1Local binarypaRerns and its application to facial image analysis：asurveyJIEEE Transactions on Systems，Man and Cyber-nef

32、ics：Applications and Review，2011，41(6)：765-78110】王茜，肖国强，吴松，等基于LBP直方图的复杂光照下的人脸识别J计算机工程与应用，2012，48(15)：18118611】Chen T，Yin W，Zhou X S，et a1Total variation modelsfor variable lighting face recognitionJIEEE Transac-tions on PAMI，2006，28(9)：1 51915241 2】ojala T，Pietikainen M，Maenpaa TMultiresolution gray

33、scale and rotation invariant texture classification withlocal binary patternsJIEEE Transactions on PaRernAnalysis and Machine Intelligence，2002，23(7)：97198813谢晓华，赖剑煌，郑伟诗基于二次多项式模型的人脸光照归一化J】电子学报，2010，8(8)：1791-179714王倩，刘竞杰，鲁魁魁基于人脸轮廓的人脸归一化方法J】合肥学院学报，2013，23(2)：333715】韩琥，山世光，陈熙霖，等一种利用人脸对称性的光照归一化方法【J计算机研

34、究与发展，2013，50(4)：7677751 6Fan C N，Zhang F YHomomorphic filtering based illu-mination normalization method for face recognitionJPaRern Recognition Letters，201 1，32(10)：1468147917】Land E H，McCann J JLightness and retinex theoryJJournal of the Optical Society of America，1971，61(1)：1-11【18】Turk M，Pentlan

35、d AEigenfaces for recognitionJJour-nal of Cognitive Neuroscience，1999。3(1)：718619Belhumeur P N，Hespanda J，Kriegeman DEigenfacesVSFisherfaces：recognition using class specific linearprojectionJIEEE Transactions on PaRem Analysis andMachine Intelligence，1997，19(7)：711-720(下转235页)万方数据蒋辉，汪辉，张家树：梯度双边滤波篚Jl

36、ll像去噪 201652(5) 235for image denoising and compressionJIEEE Transactionson Image Processing，2000，9(9)：1532-1546【6】Luisier F，Blu T，Unser MA new SURE approach to imagedenoising：interscale orthonormal wavelet thresholdingJIEEE Transactions on Image Processing，2007，1 6(3)：593606【7】Buades A，Coil B，Morel

37、J MA non-local algorithm forimage denoisingCIEEE Computer Society Conferenceon Computer Vision and Pauern Recognition，2005，2：60658】Kumar B K SImage denoising based on nonlocal meansfilter and its method noise thresholdingJSignal，Imageand Video Processing，2013，7(6)：1211-1227【9Dabov K，Foi A，Katkovnik

38、V，et a1Image denoising bysparse 3-D transform-domain collaborative filteringJIEEE Transactions on Image Processing，2007，1 6(8)：20802095【1 0Maggioni M，Katkovnik V，Egiazarian K，et a1Nonlocaltransform-domain filter for volumetric data denoisingand reconstructionJIEEE Transactions on Image Pro-cessing，2

39、013，22(1)：11913311】Kim C S，Yu H，Yang GDepth super resolution usingbilateral filterel201 1 4th International Congress on Imageand Signal Processing(CISP)，2011，2：106710711 2】Zhang M，Gunturk B KCompression artifact reductionwith adaptive bilateral filteringCProc SPIE，2009，7257【1 3Hu J，Li SThe multiscal

40、e directional bilateral filter andits application to multisensor image fusionJInformationFusion，2012，13(3)：19620614Zheng Y，Fu H，Au O K C，et a1Bilateral normal filteringfor mesh denoisingJIEEE Transactions on Visualizationand Computer Graphics，2011，17(10)：1521153015】Tripathi A K，Mukhopadhyay SSingle

41、image fog removalusing bilateral filterC20 1 2 IEEE International Conference on Signal Processing，Computing and Control(ISPCC)，2012：1616】Han J W，Kim J H，Cheon S H，et a1A novel imageinterpolation method using the bilateral filterJ1EEE Trans-actions on Consumer Electronics，2010，56(1)：175181【17Nath V K

42、，Hazarika D，Mahanta ABlocking artifactsreduction using adaptive bilateral fiIteringC】2010 Inter-national Conference on Signal Processing and Commu-nications(SPCOM)，2010：1-51 8Yang Qingxiong，Tan K H，Ahuja NShadow removal using bilateral filteringJIEEE Transactions on ImageProcessing，20121 9】Zhang M，G

43、unturk B KMultiresolution bilateral filteringfor image denoisingJIEEE Transactions on Image Processing，2008，17(12)：2324-2333(上接224页)20】Bartlett M S，Movellan J R，Senjnowski T JFace recognition by independent component analysisJIEEETransactions on Neural Networks，2002。13(6)：1450-1464【2 1】Lu J，Platanio

44、tis K N，Venetsanopoulos A NFace recog-nition using LDA-based algorithmsJIEEE Transac-tions on Neural Networks，2003，14(1)：1 9520022】邹建法，王国胤，龚勋基于增强Gabor特征和直接分布线性判别分析的人脸识别J】模式识别与人工智能，2012，23(4)：47648223】Georghiades A S，Belhumeur P NFrom few to many：illumination cone models for face recognition undervar

45、iable lighting and poseJIEEE Transactions on Pat-tern Analysis and Machine Intelligence，2001，23(6)：64366024Rivera A R，Castillo J RLocal directional number pattern for face analysis：face and expression recognitionJIEEE Transactions on Image Processing，20 1 2，22(5)：1740175225】Chan C H，Kittler J，Poh N，

46、et a1(Multiscale)localphase quantization histogram discriminant analysis withscore normalization for robust face recognitionCProceedings of the 1 2th IEEE International Conferenceon Computer Vision，2009【26】范春年，张福炎Gabor相位特征的人脸光照不变量提取J】中国图象图形学报，2012，17(5)：676681(上接230页)【5】Bay H，Ess A，Tuytelaars T，et a

47、1Speeded-Up RobustFeatures(SURF)J】Computer Vision and Image Under-standing，2008，110(3)：346359【6Rosten E，Drummond TFusing points and lines for highperformance trackingCIEEE International Conferenceon Computer Vision，2005：150815157】Rosten E，Drummond TMachine learning for high-speedcorner detectionCEur

48、opean Conference on ComputerVision，2006：430-4438】Gonzalez R C，Woods R E数字图像处理M】阮秋琦，阮宇智，译3版一匕京：电子工业出版社，2011：536538【9】Haralick R M，Shanmugam K，Dinstein ITextural features for image classificationJIEEE Trans on Systems，Man，and Cybernetics，1973：610621【1 0】Baraldi A，Parmiggiani FAn investigation of the textualcharacteristics associated with gray level cooccurrencematrix statistical parametersJ