李娜，張曉寧，朱芳娥

（石家莊鐵道大學(xué)四方學(xué)院計(jì)算機(jī)系，河北 石家莊 050011）

視覺傳感網(wǎng)絡(luò)中身份特征自適應(yīng)識(shí)別算法改進(jìn)

李娜，張曉寧，朱芳娥

（石家莊鐵道大學(xué)四方學(xué)院計(jì)算機(jī)系，河北 石家莊 050011）

在對(duì)視覺傳感網(wǎng)絡(luò)中身份特征進(jìn)行識(shí)別時(shí)，容易受到人臉表情、光照條件及遮擋等干擾，降低了身份特征識(shí)別精度。提出了一種基于改進(jìn)最小灰度差樹的身份特征自適應(yīng)識(shí)別算法。對(duì)待識(shí)別圖像進(jìn)行灰度處理后，利用最小灰度差數(shù)增強(qiáng)待識(shí)別圖像的質(zhì)量；定義基于灰度的代價(jià)函數(shù)，獲取待識(shí)別人臉圖像和指定人臉圖像對(duì)應(yīng)的各灰度對(duì)的匹配代價(jià)，建立最小灰度差樹模型，計(jì)算兩幅圖像相似度后，直接采用最近鄰匹配算法獲取和視覺傳感網(wǎng)絡(luò)注冊(cè)圖庫中最小匹配代價(jià)對(duì)應(yīng)的圖像身份，將其看作待識(shí)別身份，實(shí)現(xiàn)視覺傳感網(wǎng)絡(luò)中身份特征自適應(yīng)識(shí)別。 仿真實(shí)驗(yàn)結(jié)果表明，所提算法具有很高的身份識(shí)別精度。

視覺傳感網(wǎng)絡(luò)；身份特征；自適應(yīng)識(shí)別

1 引言

隨著信息技術(shù)的快速發(fā)展，視覺傳感網(wǎng)絡(luò)技術(shù)已經(jīng)被廣泛應(yīng)用到金融、電子商務(wù)等多個(gè)領(lǐng)域，視覺傳感網(wǎng)絡(luò)的信息量快速增加，傳感網(wǎng)絡(luò)信息的安全成為了該領(lǐng)域存在的 重 點(diǎn) 問 題［1，2］。如 何 有 效 地 增 加 視 覺 傳 感 網(wǎng) 絡(luò) 的 安 全 性 能成為了亟待解決的問題，而身份特征識(shí)別是保證視覺傳感網(wǎng)絡(luò)安全的必要前提，如何有效地對(duì)用戶的身份進(jìn)行識(shí)別、保護(hù)視覺傳感網(wǎng)絡(luò)信息的安全，已經(jīng)受到相關(guān)領(lǐng)域?qū)＜覍W(xué)者的廣泛重視，同時(shí)也出現(xiàn)了一些較好的身份特征自適 應(yīng) 識(shí) 別 算 法［3-5］。

其中，參考文獻(xiàn)［6］提出了基于空間頻率特征模式相融合的視覺傳感網(wǎng)絡(luò)身份識(shí)別算法，通過坐標(biāo)系和傅里葉變換對(duì)空間特征和頻率特征進(jìn)行提取和融合，通過支持向量機(jī)對(duì)融合特征進(jìn)行學(xué)習(xí)和分類，實(shí)現(xiàn)視覺傳感網(wǎng)絡(luò)中的身份識(shí) 別 ，但 該 方法識(shí)別 精 度差；參考文 獻(xiàn)［7］提 出 了基 于 掌紋和人臉特征的視覺傳感網(wǎng)絡(luò)身份識(shí)別算法，對(duì)掌紋和人臉圖像進(jìn)行融合，通過小波變換對(duì)融合后的圖像進(jìn)行加強(qiáng)，采用最小距離分類器對(duì)身份信息進(jìn)行分類，完成身份識(shí)別 ，但該 方 法實(shí)現(xiàn)過 程 復(fù)雜；參考文 獻(xiàn)［8］提 出 了基 于 遺傳算法和 BP 神經(jīng)網(wǎng)絡(luò)的視覺傳感網(wǎng)絡(luò)身份識(shí)別方法，通過小波技術(shù)對(duì)噪聲進(jìn)行過濾；然后選擇含有個(gè)體身份信息的幅值、間期特征作為 BP 神經(jīng)網(wǎng)絡(luò)的輸入向量，利用遺傳算法對(duì) BP網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行優(yōu)化，達(dá)到身份識(shí)別的目的 ，但該 方 法易陷入 局 部最優(yōu)；參考 文 獻(xiàn)［9］提 出了 基 于小波變換和支持向量機(jī)的 ECG 身份識(shí)別算法，采用小波處理對(duì) ECG 信號(hào)中的噪聲進(jìn)行過濾；對(duì) ECG 特征進(jìn)行降維處理，刪除冗余特征，并輸入支持向量機(jī)實(shí)現(xiàn)訓(xùn)練，完成身份識(shí)別，該算法實(shí)現(xiàn)過程非常復(fù)雜、運(yùn)行效率低，不適合大范 圍 使 用；參考文獻(xiàn)［10］提出了 基 于人 臉 辨 別 技術(shù) 的 視覺傳感網(wǎng)絡(luò)身份識(shí)別算法，在人臉辨別技術(shù)的基礎(chǔ)上，通過二階雙向二維主成份分析法對(duì)人臉特征進(jìn)行提取，并利用人臉匹配技術(shù)實(shí)現(xiàn)身份識(shí)別，該方法易受到外界環(huán)境的影響，識(shí)別準(zhǔn)確度低。

針對(duì)傳統(tǒng)算法存在的弊端，提出了基于改進(jìn)最小灰度差樹的視覺傳感網(wǎng)絡(luò)中身份特征自適應(yīng)識(shí)別算法，并和參考 文 獻(xiàn)［7］中 提 出 的 基 于 掌 紋 和 人 臉 特 征 的 視 覺 傳 感 網(wǎng)絡(luò)身份識(shí)別算法進(jìn)行比較，通過相關(guān)實(shí)驗(yàn)對(duì)其性能進(jìn)行了驗(yàn)證。

2 基于改進(jìn)最小灰度差樹的視覺傳感網(wǎng)絡(luò)身份特征自適應(yīng)識(shí)別算法

2.1 mean shift特 征 向 量 提 取

通過對(duì)人臉中可識(shí)別特征的數(shù)目與深度的分析，從而能夠確定人臉之間的關(guān)聯(lián)水平。本文使用像素統(tǒng)計(jì)迭代法，利 用 式 （1）獲 取 人 臉 里 能 辨 別 的 mean shift向 量 。

其 中為 mean shift 向 量 的 核 函 數(shù) ，s（xi）為mean shift向 量 的 橫 坐 標(biāo) 。

假 設(shè) 初 始 點(diǎn) 為 x，核 函 數(shù) 的 誤 差 為 λ，mean shift向 量函數(shù)為 pk（x）。將 式 （1）中 mean shift算 法 反 復(fù) 實(shí) 行 預(yù) 處 理 ，直到產(chǎn)生||pk（x）-x||＜λ時(shí)停止計(jì)算，詳 細(xì) 的 計(jì) 算 步 驟 如 下 ：

（1）運(yùn) 行 pk（x）；

（2）將 pk（x）賦給 x；

（3）若||pk（x）-x||＜λ，則 停 止 運(yùn) 行 ；反 之 則 繼 續(xù) 計(jì) 算。

由于人臉特征間隔和夾角可以代表人臉的重要特征，通過特征像素統(tǒng)計(jì)迭代法可以計(jì)算人臉特征間隔和夾角，得到 mean shift的 特 征 向 量 ，能 夠解釋 和 特 定 人 臉 之 間 的關(guān)聯(lián)，人 臉 的 mean shift特 征 向 量 如 圖 1 所 示 。

圖1 人臉的 mean shift 特 征 向 量

采用上述方法對(duì)人臉特征、特征夾角及特征間隔進(jìn)行計(jì)算，根據(jù)對(duì)應(yīng)的計(jì)算結(jié)果對(duì)人臉進(jìn)行有效切割，為后續(xù)解析關(guān)聯(lián)水平提供理論依據(jù)。

2.2 人臉圖像灰度處理

在 完 成 人 臉 的 mean shift特 征 向 量 提 取 后 ，為 了 進(jìn) 一步增強(qiáng)視覺傳感網(wǎng)絡(luò)中識(shí)別身份的效果，需對(duì)得到的圖片進(jìn)行灰度處理，將其應(yīng)用于身份特征自適應(yīng)識(shí)別中，具體步驟如下所示。

假 設(shè) 人 臉 圖 像 像 素 的 灰 度 值 用 D=f（x，y）進(jìn) 行 描 述 ，經(jīng)處理后的圖像像素灰度值 可用 D＇=g（x，y）進(jìn)行表示，再利用式（2）的灰度變換函數(shù)對(duì)圖像像素灰度進(jìn)行增強(qiáng)處理。

其中，D 和 D＇需要在圖像的灰度范圍區(qū)間內(nèi)。

假設(shè)原待識(shí)別圖 像 灰 度直方圖 分 布用 P（x）進(jìn) 行描述，可將式（2）帶入 P（x）中，利用式（3）對(duì)原圖像灰度進(jìn)行轉(zhuǎn)換：

分 析 式 （3）可 知 ，經(jīng) 處 理 后 的 灰 度 分 布 函 數(shù) P（y）為 原圖像灰度分布 P（x）的積分。所以，針對(duì)任意待識(shí)別身份，在經(jīng)直方圖均衡化處理后，圖像的灰度分布也呈現(xiàn)均一化。

假設(shè)對(duì)原圖像灰度進(jìn)行轉(zhuǎn)換后的灰度級(jí)為 L，分辨率為 M×N，利用式（4）計(jì)算灰度級(jí)的常數(shù) c 為：

將式（4）代入式（3），利用式（5）獲取直方圖均衡化函數(shù)，可以對(duì)圖像的灰度分布進(jìn)行均一化，實(shí)現(xiàn)直方圖均衡化處理。

其中，INT（）用于描述取整用 于 描 述 灰 度 值在 x0到 x 之間的像素點(diǎn)個(gè)數(shù)。

2.3 視覺傳感網(wǎng)絡(luò)中身份特征自適應(yīng)識(shí)別算法改進(jìn)

完成對(duì)圖像的灰度處理后，引入最小強(qiáng)度差數(shù)法實(shí)現(xiàn)視覺傳感網(wǎng)絡(luò)中身份特征的自適應(yīng)識(shí)別，具體過程如下。

2.3.1 基于灰度的匹配代價(jià)計(jì)算

在身份特征識(shí)別過程中，圖像灰度強(qiáng)度差項(xiàng)和灰度梯度差項(xiàng)是灰度匹配代價(jià)函數(shù)中的重要參數(shù)，現(xiàn)將這兩個(gè)參數(shù)表征為灰度匹配代價(jià)。以上述的圖像灰度均一化處理為基礎(chǔ)，定義一個(gè)基于灰度的代價(jià)函數(shù)，求出待識(shí)別人臉圖像和指定人臉圖像對(duì)應(yīng)的各灰度及相應(yīng)的匹配代價(jià)，過程如下。

首先，針對(duì)兩幅圖像對(duì)應(yīng)的各灰度對(duì)，定義一種代價(jià)函數(shù)，描述位置為y的灰度和同一位置的灰度的匹配程度，利用式（6）對(duì)該函數(shù)進(jìn)行描述：其 中 ，α 用 于 描 述 調(diào) 節(jié) 強(qiáng) 度 差 項(xiàng) dint（y）和 梯 度 差 項(xiàng)dgra（y）的 權(quán) 值 ，τ1和 τ2為 不 同 時(shí) 期 的 閾 值 。

將式（6）的計(jì)算結(jié)果帶入，利用式（7）、式（8）計(jì)算灰度強(qiáng) 度 差 項(xiàng) dint（y）和 灰 度 梯 度 差 項(xiàng) dgra（y）：

其中，用于描述縮放調(diào)節(jié)強(qiáng)度差值的一個(gè)常量；Ω用于描述一個(gè) M×N 尺寸的窗口，窗口把灰度位置 y作為中心；δ用于描述一個(gè)可變的二維偏移向量，變量上的短橫線代表在窗口下的求平均操作；▽用于描述處于水平方向的梯度算子。

2.3.2 最小灰度差樹模型的建立

利用第 2.3.1 節(jié) 獲 取 的 灰 度 匹 配 代 價(jià) ，建 立 最 小 灰 度差 樹 （minimum intensity difference tree，MIDT）模 型 ，為 身份特征自適應(yīng)識(shí)別的實(shí)現(xiàn)提供了有效依據(jù)，識(shí)別過程如下。

將 待 識(shí) 別 圖 像 （probe image）I 用 一 個(gè) 無 向 連 接 圖 G=（V，E）進(jìn)行描述，圖像 I的頂點(diǎn) V 是由圖像 I中的全部灰度構(gòu)成，圖像 I的邊 E 是通過最近鄰灰度值之間的全部邊構(gòu)成，可將其看作一個(gè)標(biāo)準(zhǔn) 4連通圖。

假設(shè)這個(gè)標(biāo)準(zhǔn)4連通圖中相鄰灰度對(duì)x和 y之間的邊分配權(quán)重可描述成 w（x，y）=w（y，x）=|I（x）-I（y）|。則在對(duì)相似度進(jìn)行計(jì)算的過程中，需在一個(gè)子輪廓內(nèi)完成相鄰灰度的比較，重 新 計(jì) 算 獲 取 一 個(gè) 最 小 生 成 樹 （minimum spanning tree），該最小生成樹能夠保留原灰度圖的全部像素，而且是全部生成樹中最小邊的權(quán)重之和。由于上述最小生成樹具有穿過邊緣（edge）的最小灰度差，所以將其稱作最小灰度差樹。

本 文 用 L（x，y）描 述 最 小 灰 度 差 樹 上 x 和 y 兩 個(gè) 節(jié) 點(diǎn)（像素點(diǎn)）間的距離，也就是和像素相連邊上的權(quán)重之和。若最小灰度差樹上兩個(gè)節(jié)點(diǎn)間的距離很近，則與之對(duì)應(yīng)的兩個(gè)像素的相似程度將會(huì)很大；反之，若最小灰度差樹上兩個(gè)節(jié)點(diǎn)間的距離很遠(yuǎn)，則與之對(duì)應(yīng)的兩個(gè)像素的相似程度將會(huì)很小。依據(jù)上述原理，利用式（9）計(jì)算兩個(gè)像素之間的相似度。

針對(duì)最小灰度差樹結(jié)構(gòu)，本文將之前為各節(jié)點(diǎn)（像素）定義的代價(jià)函數(shù)擴(kuò)展至利用整 棵樹 T（x）匯 聚的代價(jià) 函 數(shù)，利用式（10）表示：

同理，本文用 CST（x）描述以像素 x 為根節(jié)點(diǎn)的子樹 ST（x）上匯聚的代價(jià)和，則節(jié)點(diǎn)的父節(jié)點(diǎn) Q（x）為：

利用子樹上的父節(jié)點(diǎn)進(jìn)行層層遞進(jìn)設(shè)計(jì)，利用式（12）建立最小灰度差樹模型。

2.3.3 視 覺 傳 感 網(wǎng) 絡(luò) 中 身 份 特 征 自 適 應(yīng) 識(shí) 別 算 法 改 進(jìn) 的實(shí)現(xiàn)

利 用 第 2.3.2 節(jié) 建 立 的 最 小 灰 度 差 樹 模 型 對(duì) 匹 配 代 價(jià)進(jìn)行匯聚后，分別對(duì)視覺傳感網(wǎng)絡(luò)中待識(shí)別圖像和指定圖像的相似度進(jìn)行計(jì)算，并用最近鄰獲取身份特征自適應(yīng)識(shí)別結(jié)果。

通過求和獲取整幅待識(shí)別圖像（尺寸為 h·υ）的匹配代價(jià)，同時(shí)對(duì)其進(jìn)行歸一化處理，最終獲取一個(gè)圖像的匹配代 價(jià) （matching cost，MC），通 過 該 匹 配 代 價(jià) 對(duì) 兩 幅 圖 像 的相似度進(jìn)行計(jì)算。

得到兩幅圖像的相似度計(jì)算結(jié)果后，直接采用最近鄰匹配，獲取與視覺傳感網(wǎng)絡(luò)的注冊(cè)圖庫中最小匹配代價(jià)對(duì)應(yīng)的圖像身份，將其看作待識(shí)別身份，實(shí)現(xiàn)視覺傳感網(wǎng)絡(luò)中身份特征自適應(yīng)識(shí)別。

3 仿真實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證本文提出的基于改進(jìn)最小灰度差樹的視覺傳感網(wǎng)絡(luò)中身份特征自適應(yīng)識(shí)別算法的有效性及可行性 ，需 要 進(jìn) 行 相 關(guān) 的 實(shí) 驗(yàn) 分 析 ，將 參 考 文 獻(xiàn) ［7］提 出 的 傳統(tǒng)基于掌紋和人臉特征的視覺傳感網(wǎng)絡(luò)身份識(shí)別算法作為對(duì)照。

本文將專門為表情和光照變化設(shè)計(jì)的 AR人臉數(shù)據(jù)庫作為樣本進(jìn)行實(shí)驗(yàn)。該數(shù)據(jù)庫中的每個(gè)人均存在 7張人臉圖像，如圖 2 所示，圖 2（a）描述的是 1 張中性無變量干擾的圖像，圖 2（b）描述的是 3 張帶有表情變量的圖像，圖2（c）描述的是 3 張帶有光照變量的圖像。

實(shí)驗(yàn)采用了數(shù)據(jù)庫提供的標(biāo)準(zhǔn)圖像集合，共含有 150 個(gè)人，將每個(gè)人的中性人臉圖像作為視覺傳感網(wǎng)絡(luò)中的注冊(cè)圖像，將其余 3個(gè)表情變量與 3個(gè)光照變量圖像作為探測(cè)圖 像 集 （probe images set）。采 集 的 特 征 見 表 1。

表1 標(biāo)準(zhǔn)人臉的幾何特征

在獲取準(zhǔn)確的人臉幾何特點(diǎn)之后，需要對(duì)不一樣表情下的人臉幾何特點(diǎn)進(jìn)行收集，詳細(xì)的表情轉(zhuǎn)變狀況見表 2。

表2 三維人臉模型幾何特點(diǎn)獲取

構(gòu)建的三維人臉模型分表帶有不一樣的表情，這些表情都能干擾到三維幾何特點(diǎn)獲取的正確性，通過不一樣的三維人臉表情，來證明本文算法的實(shí)用性。

圖2 AR 數(shù)據(jù)庫中 1個(gè)人不同變量下的人臉圖像

表3 AR數(shù)據(jù)庫上兩種識(shí)別算法的準(zhǔn)確率比較結(jié)果

分 別 采 用本 文 方 法 和參 考 文 獻(xiàn)［7］提 出 的基 于 掌 紋 和人臉特征的識(shí)別算法對(duì)上述數(shù)據(jù)集中的圖像進(jìn)行身份特征識(shí)別，兩種方法的識(shí)別準(zhǔn)確率見表 3。

分析表 3可以看出，本文算法不管是在表情變化還是在光照變化的情況下，均可達(dá)到很高的識(shí)別準(zhǔn)確率，而基于掌紋和人臉特征的識(shí)別算法在光照和表情發(fā)生變化時(shí)，識(shí)別準(zhǔn)確率發(fā)生了很大的改變，說明本文算法在不同變量情況下的表現(xiàn)均非常穩(wěn)定，這些特性對(duì)于視覺傳感網(wǎng)絡(luò)中身份特征識(shí)別的有效實(shí)現(xiàn)十分關(guān)鍵。

為了進(jìn)一步證明本文算法的有效性，在上述實(shí)驗(yàn)的基礎(chǔ)上，對(duì)兩種算法的性能細(xì)節(jié)進(jìn)行統(tǒng)計(jì)比較，得到的結(jié)果見表 4。

表4 兩種算法性能的細(xì)節(jié)比較

分析表 4可以看出，在基于掌紋和人臉特征的識(shí)別算法識(shí)別準(zhǔn)確率最低的驚訝表情下，本文算法的識(shí)別準(zhǔn)確度依舊很高，不僅如此，在上述幾種變量下，本文算法的識(shí)別準(zhǔn)確率一直高于基于掌紋和人臉特征的識(shí)別算法識(shí)別準(zhǔn)確率，更加證明了本文算法的有效性。

4 結(jié)束語

針對(duì)傳統(tǒng)的身份特征識(shí)別算法的弊端，提出了一種基于改進(jìn)最小灰度差樹的視覺傳感網(wǎng)絡(luò)中的身份特征自適應(yīng)識(shí)別算法，并通過仿真實(shí)驗(yàn)證明了該算法具有很高的身份識(shí)別精度。

［1］ 張善文，張傳雷，黃文準(zhǔn). 基于最大最小判別映射的煤礦井下人員身份鑒別方法［J］. 煤 炭學(xué)報(bào)，2013（38）：1894-1899. ZHANGSW，ZHANGCL，HUANGW Z.Personnel identification in mine underground based on maximin discriminant projection ［J］.Journal of China Coal Society，2013（38）：1894-1899.

［2］ 龍毅宏，唐志紅，王亞龍，等. 面向 HTTP 身份鑒別協(xié)議的單點(diǎn) 登 錄 透 明 集 成 技 術(shù) 研 究 ［J］. 計(jì) 算 機(jī) 應(yīng) 用 研 究 ，2013（30）：2813-2818. LONG Y H，TANG Z H，WANG Y L，et al.Single sign-on transparent integration technology for web systems with HTTP authentication protocols ［J］.Application Research of Computers，2013（30）：2813-2818.

［3］ 任成娟.基于 LPP_SIFT 和巴氏距離相結(jié)合的人臉識(shí)別算法［J］.電子設(shè)計(jì)工程，2015，23（2）：35-37. REN C J.Face recognition based on LPP_SIFT and Bhattacharyya distance［J］.Electronic Design Engineering，2015，23（2）：35-37.

［4］ 徐 豐.基 于 聲 音 與 指 紋 特 征 融 合 聚 類 的 身 份 識(shí) 別 系 統(tǒng)［J］. 電子制作，2013（15）：50. XU F.Personal identification based on multi-biometrics feature［J］. Practical Electronics，2013（15）：50.

［5］ 唐源江，曹雯靜，吳坤林.基于 SRAP 標(biāo)記的國(guó)蘭種質(zhì)資源遺傳多樣性分析及分子身份證構(gòu)建 ［J］. 中國(guó)農(nóng)業(yè)科學(xué)，2015，48（9）：1795-1806. TANG Y J，CAO W J，WU K L.Genetic diversity analysis and molecular identification card construction of Chinese cymbidium germplasms based on SRAP markers ［J］.Scientia Agricultura Sinica，2015，48（9）：1795-1806.

［6］ 胡朝輝，梁智 強(qiáng). 電力 信息 系 統(tǒng)身 份 鑒別 技術(shù) 的 研究［J］.計(jì) 算機(jī)應(yīng)用與軟件，2013（12）：318-321.HU C H，LIANG Z Q.Research on authentication technique in electric power information system［J］.Computer Applications and Software，2013（12）：318-321.

［7］ 劉莎，朱淑華. 在多服務(wù)器環(huán)境下的雙因素動(dòng)態(tài)身份鑒別方案［J］. 計(jì)算機(jī)應(yīng)用研究，2015（32）：1119-1122. LIU S，ZHU S H.Novel two-factor dynamic identity based remote user authentication scheme for multi-server environment ［J］. Application Research of Computers，2015（32）：1119-1122.

［8］ 李晨，張功萱，岳寶玲，等. 一種基于條件隨機(jī)場(chǎng)的擊鍵特征身份鑒別方 法［J］. 計(jì)算機(jī)應(yīng)用研究，2014（31）：2112-2115. LI C，ZHANG G X，YUE B L，et al.Keystroke dynamics based user authentication using conditional random fields ［J］. Application Research of Computers，2014（31）：2112-2115.

［9］ 趙東杰，汪同慶. 基于深度信 息 的 快速 身份 識(shí) 別方 法［J］.計(jì)算機(jī)系統(tǒng)應(yīng)用，2014，23（11）：132-135. ZHAO D J，WANG T Q.Rapid person identification method based on depth information［J］.Computer Systems&Applications，2014，23（11）：132-135.

［10］高超，張?zhí)祢U，吳旺軍，等.CDMA2000 用戶身份識(shí)別方法的研究［J］. 科學(xué)技術(shù)與工程，2014（14）：80-83. GAO C，ZHANG T Q，WU W J，et al.Research on identification ofCDMA2000 user’ sidentity ［J］.Science Technology and Engineering，2014（14）：80-83.

Improvement of identity adaptive recognition algorithm in visual sensor network

LI Na，ZHANG Xiaoning，ZHU Fang’e
Department of Computer Science，Shijiazhuang Tiedao University Sifang College，Shijiazhuang 050011，China

When recognizing the identity in visual sensor network，it’s easily to be interfered with facial expression，illumination condition and shelter，so as to reduce the recognition accuracy.An identity adaptive recognition algorithm based on the improved minimum gray difference tree in visual sensor network was put forward.After gray processing，the minimum gray difference was used to enhance the quality of the image；cost function based on gray level was defined，the match price of each corresponding pair of gray of the image to be recognized and the specified face image were achieved，minimum gray difference tree model was set up，after two image similarity were calculated，the nearest neighbor matching algorithm was directly applied to obtain the image identity corresponding to minimum matching cost in the visual sensor network registration gallery，it was viewed as the identity to be recognized，the adaptive identity recognition was achieved in visual sensor network.Simulation results show that the proposed algorithm has high identification accuracy.

visual sensor network，identity，adaptive identification

TP391

：A

10.11959／j.issn.1000-0801.2016171

李娜（1976-），女，石家莊鐵道大學(xué)四方學(xué)院講師，主要研究方向?yàn)閳D像處理。

張曉寧（1981-），女，石家莊鐵道大學(xué)四方學(xué)院講師，主要研究方向?yàn)閿?shù)據(jù)庫應(yīng)用。

朱芳娥（1983-），女，石家莊鐵道大學(xué)四方學(xué)院工程師，主要研究方向?yàn)閿?shù)據(jù)庫應(yīng)用。

2016-04-27；

：2016-06-01