一類基于多特征的模糊加權(quán)人臉識(shí)別算法

劉麗娜

(山東理工大學(xué)電氣與電子工程學(xué)院,山東 淄博 255049)

計(jì)算機(jī)人臉識(shí)別是由計(jì)算機(jī)分析人臉圖像,從人臉圖像中提取出有效的識(shí)別信息,用來(lái)“辨認(rèn)”身份的一門技術(shù).通常識(shí)別處理后可得到包括人臉的位置、尺度和姿態(tài)基本等信息.利用特征提取技術(shù)還可進(jìn)一步抽取出更多的生物特征(如:種族、性別、年齡…).人臉識(shí)別技術(shù)有著廣泛的應(yīng)用背景,可以應(yīng)用于公安系統(tǒng)的罪犯身份識(shí)別、駕駛執(zhí)照及護(hù)照等證件照片與實(shí)際持證人的核對(duì)、銀行及海關(guān)的監(jiān)控系統(tǒng)以及一些保密單位的自動(dòng)門衛(wèi)系統(tǒng)等.

本文在基于PCA的人臉識(shí)別方法的基礎(chǔ)上對(duì)其進(jìn)行了改進(jìn),采用基于多特征的模糊加權(quán)識(shí)別算法進(jìn)行分類.所謂多特征的模糊加權(quán)識(shí)別算法即將Eigenface,Eigenupper,EigenTzone以及二階特征臉?lè)ㄋ姆N方法的初步識(shí)別結(jié)果先模糊化,然后用模糊綜合函數(shù)加權(quán)組合后獲取新的距離函數(shù)進(jìn)行人臉識(shí)別.EigenUpper、EigenTzone的采用將能補(bǔ)償Eigenfaces在表情、光照方面的魯棒性,二階特征臉將突出細(xì)節(jié)特征在人臉識(shí)別中的作用.針對(duì)Yale和ORL數(shù)據(jù)庫(kù)的實(shí)驗(yàn)結(jié)果證明了該方法明顯優(yōu)于傳統(tǒng)特征臉識(shí)別方法,值得重視.

1 基于PCA的人臉識(shí)別

1987年Sirovich和Kirby為減少人臉圖像的表示采用了PCA(Principal Component Analysis)方法,即主成分分析方法.1991年Matthew Turk and Alex Pentland最早將PCA應(yīng)用于人臉識(shí)別[1].PCA(Karhunen-Loeve變換)的主要思想是在原始人臉空間中求得一組正交向量,并以此構(gòu)成新的人臉空間,使所有人臉的均方差最小,達(dá)到降維目的.

1.1 人臉空間的建立

假設(shè)一幅人臉圖像包含N個(gè)象素點(diǎn),它可以用一個(gè)N維向量Γ表示.這樣,訓(xùn)練樣本庫(kù)就可以用{Γi|i=1,…,M}表示.然后求取M幅人臉圖像的平均人臉圖像(即平均臉),進(jìn)而得到每張人臉圖像 Γi相對(duì)平均臉 Ψ的均差Φ,并構(gòu)造訓(xùn)練樣本集的協(xié)方差矩陣C.協(xié)方差矩陣C的正交特征向量就是組成人臉空間的基向量,即特征臉.把特征向量按特征值從大到小的順序排列,提取前M′個(gè)向量形成向量空間,即人臉空間.

1.2 人臉識(shí)別

對(duì)于一新的人臉圖像 Γ,將其投影到人臉空間得向量Ψ;將每個(gè)人的圖像Γk投影到人臉空間得到M維投影向量Ψk.求出 Ψ到每一類的距離:

其中Nc為人臉圖像的類別數(shù).

然后,采用最小距離法進(jìn)行分類.

2 基于多特征的模糊加權(quán)人臉識(shí)別

特征臉?lè)椒ㄖ豢紤]了人臉的整體特征,圖像中的每個(gè)象素點(diǎn)被賦予了同等重要的地位,因而它忽略了人臉的局部特征(如:眉毛、眼睛、鼻子、口等),識(shí)別中識(shí)別率不高.將整體特征與局部特征結(jié)合起來(lái)是特征臉?lè)ǖ囊环N改進(jìn)方法.文獻(xiàn)[2]采用基于多特征組合和支持向量機(jī)的實(shí)時(shí)人臉鑒定方法,取得了較好的效果,文獻(xiàn)[3]提出了一種融合兩種主成分分析的人臉識(shí)別方法,在進(jìn)行融合時(shí)用到了模糊的概念效果也不錯(cuò).本文將EigenUpper、EigenTzone、Eigenfaces以及二階特征臉?lè)ㄋ姆N方法進(jìn)行模糊加權(quán)組合.EigenUpper、EigenTzone法詳細(xì)請(qǐng)參考文獻(xiàn)[4].在Yale和ORL數(shù)據(jù)庫(kù)上的識(shí)別實(shí)驗(yàn)結(jié)果表明它比單純使用Eigenfaces效果要好的多.

2.1 多特征提取

(1)Eigenfaces 采用文獻(xiàn)[1]的特征臉?lè)椒?

(2)EigenUpper 根據(jù)心理學(xué)和生理學(xué)的研究成果,在識(shí)別中人臉的上半部特征比下半部特征起的作用要大.因此實(shí)驗(yàn)時(shí)提取人臉的上半部分,嘴所在的下半部分區(qū)域去掉,作PCA分析.實(shí)驗(yàn)中部分EigenUpper如圖1所示.

圖1 實(shí)驗(yàn)中部分EigenUpper

(3)EigenTzone 在人臉檢測(cè)中人眼的定位很重要,鼻子在人臉圖像中通常是個(gè)亮點(diǎn).因此將人臉的Tzone分割出來(lái),作特征臉?lè)治?Tzone的分割,采用灰度投影圖方法.首先通過(guò)實(shí)驗(yàn)選擇合適的閾值將原始圖像進(jìn)行二值化;然后得到二值化圖像的水平投影圖和垂直投影圖;如圖2所示,依據(jù)投影圖可以確定眉毛、嘴巴以及人臉左右邊界的粗略位置;最后根據(jù)各特征點(diǎn)的位置確定Tzone.同樣的作PCA分析.實(shí)驗(yàn)中部分EigenTzone如圖3所示.

圖2 二值化圖像的水平投影和垂直投影圖

圖3 實(shí)驗(yàn)中部分EigenTzone

(4)二階特征臉?lè)?特征臉?lè)椒ㄔ谝欢l件下可以有效的識(shí)別人臉,但是在某些條件下特征臉不能滿足人們對(duì)正確識(shí)別率的要求.比如:光照變化較大的情況下,特征臉中的主成分(即對(duì)應(yīng)較大特征值的特征臉)主要反映的是人臉圖像中的光照變化.在這種情況下,特征臉不能有效的表示人臉圖像的身份特征信息,這將大大影響這些特征的識(shí)別效果.為了解決此問(wèn)題,Wang和Tang[5]提出了二階特征臉?lè)椒?該方法通過(guò)丟棄傳統(tǒng)特征臉?lè)椒ǖ玫降那皵?shù)個(gè)反應(yīng)光照信息的特征臉來(lái)克服光照干擾的影響.該方法不僅采用原始人臉圖像的特征臉,還采用人臉圖像余像的特征臉——二階特征臉,所謂余像是指原始人臉圖像與基于特征臉的主成分重構(gòu)的人臉圖像的差.人臉余像空間的建立過(guò)程,請(qǐng)見(jiàn)文獻(xiàn)[5].

將每個(gè)人的余像?！鋓投影到人臉余像空間得M維投影向量Ψ′k.對(duì)于一新的人臉圖像 Γ,將其投影到人臉空間和人臉余像空間得向量Ψ和Ψ′.定義新的距離函數(shù)

其中,α1和α2為權(quán)重系數(shù),分別反映了一階和二階特征臉的重要程度.則輸入圖像就可按最小距離法進(jìn)行分類.

2.2 基于模糊加權(quán)的人臉識(shí)別算法

在對(duì)測(cè)試樣本用上述四種方法進(jìn)行初步分類后,用Zadeh提出的著名模糊集合論把識(shí)別結(jié)果模糊化,本文中的距離函數(shù)反映隸屬度的含義,在上述各種識(shí)別中,如果初步把測(cè)試樣本判為第k類是正確的話,則修改它們之間的距離為極小值,使測(cè)試樣本屬于第k類的隸屬度最大為1.0;如果是錯(cuò)誤的,則修改它們之間的距離為極大值,使測(cè)試樣本屬于第k類的隸屬度最小為0.0.這樣就可以得到四組“模糊”的識(shí)別結(jié)果.然后采用模糊綜合函數(shù)將四組“模糊”識(shí)別結(jié)果進(jìn)行融合,模糊綜合函數(shù)取算術(shù)平均值,即

最終依據(jù)融合所得的距離結(jié)果按最小距離法獲取識(shí)別結(jié)果.

3 測(cè)試實(shí)驗(yàn)與結(jié)果分析

由于ORL人臉數(shù)據(jù)庫(kù)是目前應(yīng)用最廣泛的人臉識(shí)別數(shù)據(jù)庫(kù),其結(jié)果可比性較強(qiáng).另外,它的顯著特點(diǎn)是無(wú)需對(duì)人臉圖像進(jìn)行檢測(cè)定位和尺寸歸一化等處理.為了檢驗(yàn)本文所提出的識(shí)別算法的正確性和有效性,選擇ORL數(shù)據(jù)庫(kù)中的20人每人5幅作為訓(xùn)練樣本,該20人的其他100幅圖像作為測(cè)試樣本,并將二者的識(shí)別結(jié)果進(jìn)行比較.為了進(jìn)一步突出模糊加權(quán)識(shí)別算法的優(yōu)越性,將其與一般的平均加權(quán)法進(jìn)行對(duì)比.上述實(shí)驗(yàn)的識(shí)別結(jié)果見(jiàn)表1.

其中,選取的特征向量數(shù)目為42,該數(shù)據(jù)是通過(guò)實(shí)驗(yàn)和相關(guān)經(jīng)驗(yàn)公式確定的前M′個(gè)最大特征向量[6].在二階特征臉?lè)ǖ淖R(shí)別實(shí)驗(yàn)中,α1和α2為權(quán)重系數(shù)選擇為0.6和0.4,亦是通過(guò)實(shí)驗(yàn)和相關(guān)經(jīng)驗(yàn)確定的[6].

表1 正確識(shí)別率 %

各種識(shí)別方法的識(shí)別結(jié)果表明多特征模糊加權(quán)人臉識(shí)別算法要明顯優(yōu)于傳統(tǒng)特征臉?lè)椒?且比多特征平均加權(quán)人臉識(shí)別算法要好一些.

4 結(jié)束語(yǔ)

采用的基于多特征的模糊加權(quán)人臉識(shí)別算法簡(jiǎn)單有效,計(jì)算量較小、耗時(shí)不多.多特征的識(shí)別方法補(bǔ)償了特征臉在表情、光照方面的不足,同時(shí)考慮了眼睛、鼻子在識(shí)別中的作用,達(dá)到了整體與局部特征相結(jié)合的目的.

本文所采用的ORL數(shù)據(jù)庫(kù)為小型人臉庫(kù),如能采用更多更大的人臉數(shù)據(jù)庫(kù),增加訓(xùn)練樣本的數(shù)量,將會(huì)進(jìn)一步體現(xiàn)本文所提出方案的優(yōu)越性.

[1]Matthew A T,Alex P P.Vision and modeling group,the modelinglaborato ry.FaceRecognitionUsingEigenfaces[J].CH2983-5/91/1991 IEEE,586-591.

[2]Kim D H,Lee J Y,Soh J,Chung Y K.Real-time face verification using multiple feature combination and a support vector machine supervisor[J].0-7803-7663-32003 IEEE.145-148.

[3]徐倩,鄧偉.一種融合兩種主成分分析的人臉識(shí)別方法[J].計(jì)算機(jī)工程與應(yīng)用.2007,43(35):195-197.

[4]劉麗娜,喬誼正.基于多特征的人臉識(shí)別[J].中國(guó)科學(xué)技術(shù)大學(xué)學(xué)報(bào)(自動(dòng)化專輯).2005,35:131-136.

[5]Wang L,Tan T K.Experimental results of face feature description based on the 2nd 2order eigenface method[R].ISO/IEC/JTC1/SC21/WG11/M6001,Geneva,2000.

[6]劉麗娜.基于特征臉和多特征的人臉識(shí)別算法研究[D].濟(jì)南:山東大學(xué)控制科學(xué)與工程學(xué)院,2006.