基于支持向量機(jī)的人臉圖像質(zhì)量分類算法研究

李昆侖 蘭長(zhǎng)明

摘要：該文研究了幾種解決大型規(guī)劃問題的常用方法以及采用支持向量機(jī)進(jìn)行多分類的方法；并在此基礎(chǔ)上提出使用決策二叉樹的方法來(lái)實(shí)現(xiàn)人臉圖像質(zhì)量的分類?；谥Ц断蛄繖C(jī)的人臉圖像質(zhì)量分類算法，對(duì)于無(wú)參考圖像質(zhì)量評(píng)價(jià)具有很好的指導(dǎo)意義，也為今后的研究打下了良好的基礎(chǔ)。

關(guān)鍵詞：支持向量機(jī)；多分類；二叉樹；人臉圖像

中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2015）06-0175-02

Research of Face Image Quality Classification Algorithm Based on Support Vector Machine

LI Kun-Lun， LAN Chang-Ming

（Science and Technology College of NanChang University， Nanchang 330029， China）

Abstract：This paper analyzes several common methods to solve the problem of large scale planning and support vector machine. Based on this， we propose a method to realize the classification of face image quality using by two fork trees. This method that used for face image quality classification has a good guide on the no reference image quality assessment， at the same time， which also lays a good foundation for further research.

Key words：support vector machine； multi classification； two fork tree； face image

人臉圖像質(zhì)量分類是近幾年剛興起的研究領(lǐng)域，該領(lǐng)域的研究成果相對(duì)來(lái)說還比較有限。但對(duì)人臉圖像質(zhì)量分類的研究具有重大意義：首先，人臉圖像質(zhì)量分類對(duì)一些人臉識(shí)別相關(guān)領(lǐng)域的研究起到基礎(chǔ)性的作用，比如在某些人臉圖像識(shí)別系統(tǒng)中，如果輸?shù)娜四槇D像質(zhì)量較好，將能提高系統(tǒng)的人臉識(shí)別性能[1]。其次，目前都是采用人工方式來(lái)檢查各種證件照中的人臉圖像質(zhì)量，人工檢查時(shí)往往帶有較多主觀性，且率不高，不能在實(shí)時(shí)場(chǎng)所的應(yīng)用。如果可以將人臉圖像質(zhì)量的實(shí)時(shí)分類融入到某些人臉圖像的采集系統(tǒng)中，就能實(shí)現(xiàn)在采集人臉圖像時(shí)對(duì)圖像質(zhì)量進(jìn)行實(shí)時(shí)的監(jiān)控，從而提高圖像識(shí)別系統(tǒng)的效率，間接地降低系統(tǒng)的成本[2]。另外，人臉圖像質(zhì)量分類涉及人眼視覺識(shí)別系統(tǒng)，目前這方面的研究還比較少，如果能從人臉圖像質(zhì)量分類的研究中尋求相應(yīng)人眼視覺機(jī)制的原理，則對(duì)視覺領(lǐng)域的進(jìn)一步研究起到極大的促進(jìn)作用[3]。當(dāng)然，目前對(duì)圖像質(zhì)量分類的研究還處于原始階段，本文提出采用基于支持向量機(jī)的人臉圖像質(zhì)量分類算法，希望能夠?yàn)橐院笕四槇D像質(zhì)量評(píng)價(jià)系統(tǒng)的研究提供重要啟示。

1 支持向量機(jī)

支持向量機(jī)是一種典型的機(jī)器學(xué)習(xí)方法，該方法是在統(tǒng)計(jì)學(xué)習(xí)理論的基礎(chǔ)上發(fā)展起來(lái)，具有較好的推廣性和較強(qiáng)的分類性能[4]。起初，支持向量機(jī)是為了兩類分類而設(shè)計(jì)的，隨著識(shí)別需求的發(fā)展，支持向量機(jī)的分類功能擴(kuò)展到多種類識(shí)別領(lǐng)域，目前，怎樣更有效的用支持向量機(jī)來(lái)解決多分類問題還是支持向量機(jī)的研究熱點(diǎn)[5]。

支持向量機(jī)的多分類問題可以用數(shù)學(xué)公式如下描述：

假設(shè)有訓(xùn)練集S，[S=（X1，y1），（X2，y2）...（Xn，yn）]，其中，[Xn∈RM]，[yn∈1，2...k]。怎樣計(jì)算[RM]上的決策函數(shù)[g（X）：X=RM→yn]。

就目前來(lái)說，使用較多的基于支持向量機(jī)的多分類方法有以下幾種：一對(duì)一方法、一對(duì)多方法、導(dǎo)向非循環(huán)圖方法、決策樹方法等[6]。

1.1 一對(duì)一方法

這種方法指的是從支持向量機(jī)的總訓(xùn)練集[S]中任取兩類樣本點(diǎn)[Si]和[Sj]，然后將選取的這兩類樣本點(diǎn)組成訓(xùn)練集[Sij]，然后在此組合后的訓(xùn)練集上用支持向量機(jī)求解兩分類的問題。

這種方法需要構(gòu)造支持向量機(jī)分類器的數(shù)量為[k（k-1）2]。用分類器分別去測(cè)試某個(gè)測(cè)試樣本[X]屬于[k]類樣本中的第幾類，統(tǒng)計(jì)所有分類器對(duì)該樣本的分類結(jié)果。如果其中某個(gè)分類器判定測(cè)試樣本[X]屬于第[i]個(gè)類別，那么就將該類別的得票數(shù)加一。最后綜合統(tǒng)計(jì)各個(gè)測(cè)試樣本的得票情況，得到票數(shù)最高的那個(gè)類別就是測(cè)試樣本的最終劃定的類別。一對(duì)一方法有個(gè)明顯的缺陷，就是如果某個(gè)測(cè)試樣本存在多個(gè)類別得票相同的情況，也即是同時(shí)屬于多個(gè)類別的時(shí)候，可能將無(wú)法正確判定該樣本屬于哪個(gè)類別。另外就是該方法在分類過程中需要構(gòu)造較多數(shù)目的分類器，也使得在訓(xùn)練分類器的過程非常耗時(shí)。

1.2 一對(duì)多方法

該方法是先指定某個(gè)樣本為負(fù)類，其余樣本作為正類，然后去構(gòu)造一個(gè)兩類的支持向量機(jī)分類器。該方法在具體的應(yīng)用過程中需要構(gòu)造的分類器的個(gè)數(shù)為[k]。就一個(gè)3分類問題來(lái)說，如果將第一類樣本作為負(fù)類，其余樣本作為正類，構(gòu)造第一個(gè)決策函數(shù)[g1（X）]；然后依次構(gòu)造出其余兩個(gè)決策函數(shù)[g2（X）]和[g3（X）]。在使用這些決策函數(shù)進(jìn)行類別判別時(shí)，當(dāng)有一個(gè)而且只有一個(gè)決策函數(shù)的判別結(jié)果是負(fù)值，那么這個(gè)判別函數(shù)所得到的結(jié)果就是這個(gè)測(cè)試樣本所屬的分類。

和一對(duì)一方法相比，該種方法在應(yīng)用過程構(gòu)造分類器的數(shù)量明顯減少，所以在訓(xùn)練過程中其速度也相應(yīng)加快。但這種方法可能會(huì)存在某些測(cè)試樣本不屬于任何一種類別的情況。

1.3 決策導(dǎo)向非循環(huán)圖方法（Decision Directed Acyclic Graph， DDAG）

在訓(xùn)練階段該方法與一對(duì)一方法比較相似，訓(xùn)練過程中需要構(gòu)造[k（k-1）2]個(gè)分類器，但測(cè)試階段可以使用導(dǎo)向循環(huán)圖。該圖具有[k（k-1）2]內(nèi)部結(jié)點(diǎn)，每個(gè)內(nèi)部結(jié)點(diǎn)即為一個(gè)兩類分類器，還具有[k]個(gè)葉子結(jié)點(diǎn)，也即是最終的分類結(jié)果。在對(duì)導(dǎo)向循環(huán)圖進(jìn)行遍歷時(shí)，先從根結(jié)點(diǎn)開始，根據(jù)根節(jié)點(diǎn)分類器的輸出結(jié)果來(lái)決定下一步是遍歷左側(cè)結(jié)點(diǎn)還是右側(cè)結(jié)點(diǎn)，直至某個(gè)葉子節(jié)點(diǎn)結(jié)束，得到該樣本最終的分類結(jié)果。這種方法的主要優(yōu)勢(shì)就是在測(cè)試階段比上述的兩種方法都要快得多。

1.4 決策樹方法

該方法是用決策樹的形式來(lái)表示處理邏輯的一種方法。由于該方法能夠直觀地表述所需的邏輯要求，比較適用于邏輯關(guān)系簡(jiǎn)單和判斷條件少的情況[7]。傳統(tǒng)的支持向量機(jī)多用于兩分類情況，所以，也可以將決策樹方法與支持向量機(jī)方法相結(jié)合生成一種新的基于支持向量機(jī)的多分類方法。

假設(shè)要構(gòu)造一個(gè)[k]類樣本的二叉樹，其葉子結(jié)點(diǎn)分別對(duì)應(yīng)一種類別，非葉子結(jié)點(diǎn)（度數(shù)為2）對(duì)應(yīng)一個(gè)支持向量機(jī)分類器。整個(gè)決策二叉樹共有[k]個(gè)葉子節(jié)點(diǎn)， [2k-1]個(gè)非葉子結(jié)點(diǎn)，需要構(gòu)造的支持向量機(jī)兩類分類器的個(gè)數(shù)為[k-1]。

另外，由二叉樹的性質(zhì)知道想要構(gòu)造一棵有[k]個(gè)葉子結(jié)點(diǎn)的二叉樹，實(shí)際上可以有多種方案。下面以一個(gè)4分類問題為例，列舉構(gòu)造二叉樹的兩種方案。分別如圖1和圖2所示。

總結(jié)該方法具有兩大特點(diǎn)：第一，由于決策樹具有層次結(jié)構(gòu)，在每一層次上都可以采用不同的訓(xùn)練樣本來(lái)訓(xùn)練分類器，由于樣本的差異性，分類器的重要級(jí)別也有所差異；另外，由于測(cè)試階段也需按層次來(lái)完成測(cè)試，所以對(duì)測(cè)試樣本來(lái)說，用到的分類器數(shù)目可能介于1和決策樹的深度之間。

2 人臉圖像質(zhì)量分類算法實(shí)例分析

若采用決策樹的方式進(jìn)行人臉圖像質(zhì)量的多分類實(shí)驗(yàn)，假設(shè)需要進(jìn)行分類的圖像質(zhì)量等級(jí)有5個(gè)，那么則需構(gòu)造的4個(gè)支持向量機(jī)兩類分類器，在實(shí)際構(gòu)造時(shí)可以采用很多不同的組合方式，即能產(chǎn)生多種類型的決策二叉樹。五類人臉圖像質(zhì)量分類決策二叉樹模型如圖3所示。

圖3 五類人臉圖像質(zhì)量分類決策二叉樹模型

構(gòu)造人臉圖像質(zhì)量分類決策二叉樹的具體做法是：先將人臉圖像質(zhì)量為第一等級(jí)的樣本作為負(fù)類，其余的圖像樣本作為正類，通過訓(xùn)練得到第一個(gè)支持向量機(jī)分類器；然后，將人臉圖像質(zhì)量為第二等級(jí)的樣本作為負(fù)類，把剩下的圖像樣本作為正類，通過訓(xùn)練得到第二個(gè)支持向量機(jī)分類器；依次類推去構(gòu)造另外兩個(gè)支持向量機(jī)分類器。在對(duì)圖像樣本進(jìn)行測(cè)試時(shí)，如果其被第一個(gè)分類器判為負(fù)類，那該樣本就屬于第一等級(jí)，否則轉(zhuǎn)到第二個(gè)分類器上進(jìn)行判別，如果被判別為負(fù)類，則該樣本被認(rèn)定為第二等級(jí)。依此往下，直至進(jìn)行到二叉樹的某一葉子節(jié)點(diǎn)。

3 總結(jié)和展望

本文深入研究了支持向量算法的相關(guān)知識(shí)，分析了幾種常用的支持向量機(jī)多分類方法；提出使用決策二叉樹的方式實(shí)現(xiàn)對(duì)人臉圖像質(zhì)量的多分類。無(wú)參考圖像質(zhì)量評(píng)價(jià)是近年來(lái)興起的比較前沿的研究方向，但整體來(lái)看視覺識(shí)別的研究目前還處于相當(dāng)有限的水平，所以該領(lǐng)域的突出成果相對(duì)還較少[8]。無(wú)參考人臉圖像質(zhì)量評(píng)價(jià)的研究還要繼續(xù)深入，本文以后的研究將圍繞以下方面來(lái)開展：嘗試將支持向量機(jī)算法和遺傳算法相融合，在訓(xùn)練過程中通過遺傳算法選取較優(yōu)的核函數(shù)參數(shù)。

參考文獻(xiàn)：

[1] Hamid Rahim Sheikh， Alan C.bovik. Image Information and Visual Quality [J]. IEEE Transactions on Image Processing， 2006（15）：430-444.

[2] 安平.基于線性SVM的級(jí)聯(lián)檢測(cè)器的構(gòu)造及其在目標(biāo)檢測(cè)中的應(yīng)用[D].長(zhǎng)沙：國(guó)防科學(xué)技術(shù)大學(xué)，2007.

[3] Venkatesh R， Babu S. Sureshb， rew Perkis. No-reference JPEG-image quality assessment using GAP-RBF [J]. Signal Processing， 2007（12）：1493-1503.

[4] Chih-Wei Hsu， Chih-Jen Lin. a comparison of methods for multi class support vector machines. IEEE Transactions on neural networks，2002，13（2）：415-425.

[5] Platt J C， Cristianini N， Shawe-Taylor J. large margin dags for multiclass classification[J]. Advances in Neural Information Processing Systems. MIT Press，2000（12）：547-553.

[6] Weston J， Watkins C. Multi-class support vector machines. M. Verleysen， editor， Proceedings of ESANN99， Brussels， 1999. D. Facto Press.

[7] Gastaldo P， Parodi G. No-Reference Quality Assessment of JPEG Images by Using CBP Neural Networks[C]， International Symposium on Circuits and Systems， 2004（5）：772-775.

[8] Huitao Luo. A training-based no-reference image quality assessment algorithm [C]. Singapore： International Conference on Image Processing， 2004（5）：2973-2976.