基于曲線波和獨(dú)立成分分析的人臉識(shí)別

劉 嵩，王春寧

（湖北民族學(xué)院信息工程學(xué)院，湖北 恩施 445000）

基于曲線波和獨(dú)立成分分析的人臉識(shí)別

劉 嵩，王春寧

（湖北民族學(xué)院信息工程學(xué)院，湖北 恩施 445000）

針對(duì)曲線特征更能反映人臉圖像的主要特征和獨(dú)立成分分析能夠提取高階信息的優(yōu)勢(shì)，提出了一種基于曲波變換與獨(dú)立成分分析的人臉識(shí)別方法.首先將人臉圖像進(jìn)行曲波變換，選擇粗尺度層系數(shù)作為曲波特征，然后對(duì)曲波特征下采樣后進(jìn)行獨(dú)立成分分析，提取部分獨(dú)立成分構(gòu)成特征空間，最后根據(jù)最近鄰分類器分類.在ORL和Yale人臉庫(kù)上的相關(guān)實(shí)驗(yàn)表明：該方法在識(shí)別性能方面優(yōu)于對(duì)比方法.

人臉識(shí)別；曲波變換；獨(dú)立成分分析；特征提??；最近鄰分類器

人臉識(shí)別是當(dāng)前計(jì)算機(jī)視覺(jué)領(lǐng)域的研究熱點(diǎn)，而特征提取是人臉識(shí)別的一個(gè)關(guān)鍵技術(shù)［1］，研究人員對(duì)此進(jìn)行了廣泛而深入的研究，提出了各種有效的算法，較有代表性的包括主成分分析（Principal Component Analysis：PCA）［2］、線性判別分析（Linear Discriminant Analysis：LDA）［3］、獨(dú)立成分分析（Independent Compo?nent Analysis：ICA）［4］及小波變換（Wavelet Transform：WT）［5］等，其中小波變換在時(shí)域和頻域都兼有局部化的能力，能逐步聚焦到人臉圖像的任何細(xì)節(jié)，取得了不錯(cuò)的效果.但是小波變換反映的是信號(hào)的點(diǎn)奇異性，其基是各向同性的，無(wú)法精確地表達(dá)圖像中邊緣的方向，也無(wú)法稀疏的表示圖像，而在人臉識(shí)別中需要更多的關(guān)注人臉的曲線特征，比如說(shuō)人臉輪廓.為此，Candes和Donoho［6］提出了曲波變換（Curvelet Transform），其實(shí)質(zhì)就是將每一小段曲線近似看做直線，然后再對(duì)圖像進(jìn)行多尺度、多方向的曲波變換，從而表征圖像的曲線特征.

曲波變換不僅有尺度參量和位移參量，還有方向參量，將曲波變換與子空間方法結(jié)合應(yīng)用于人臉識(shí)別，能有效的提取具有較強(qiáng)鑒別能力的人臉特征.WU［7］等提出了曲波變換結(jié)合PCA的人臉識(shí)別方法，Zhang［8］等提出了曲波變換結(jié)合LDA的方法.考慮到PCA與LDA只涉及到圖像數(shù)據(jù)的二階統(tǒng)計(jì)特性，沒(méi)有充分利用數(shù)據(jù)的高階統(tǒng)計(jì)特性，而數(shù)據(jù)的高階統(tǒng)計(jì)特性通常包含更有利于人臉?lè)诸惖闹匾卣餍畔?，所以基于高階統(tǒng)計(jì)特性的ICA方法在提取鑒別特征方面有著獨(dú)特的優(yōu)勢(shì)，因此，本文提出了一種曲波變換結(jié)合ICA的人臉識(shí)別方法，并在ORL和Yale人臉數(shù)據(jù)庫(kù)驗(yàn)證了該方法的有效性.

1 算法原理

1.1 獨(dú)立成分分析原理

ICA是20世紀(jì)90年代才發(fā)展起來(lái)的一種新的信號(hào)處理方法，該方法考慮了圖像數(shù)據(jù)的高階統(tǒng)計(jì)特性［4］.ICA實(shí)際上是一個(gè)優(yōu)化問(wèn)題，其模型如圖1所示，具體描述為：測(cè)量信號(hào)X由多個(gè)信源S經(jīng)混合矩陣A混合而成，要實(shí)現(xiàn)的目標(biāo)就是在S和A均未知的情況下，求解分離矩陣W，使得輸出Y是S的一個(gè)最佳近似［9］.

ICA的具體實(shí)現(xiàn)包括確定度量獨(dú)立性的目標(biāo)函數(shù)和選擇優(yōu)化算法兩個(gè)方面［10］，比較常見(jiàn)的快速固定點(diǎn)算法（FastICA），采用以負(fù)熵作為非高斯性判據(jù)，該方法以負(fù)熵最大為搜尋方向［11－12］.負(fù)熵的定義為：

圖1 ICA線性模型Fig.1 linear model of ICA

負(fù)熵可以按下式估計(jì)：

其中：v是高斯變量，均值為0；G是非二次函數(shù)，常見(jiàn)的G取法如下：

運(yùn)用牛頓迭代法，可以得到FastICA算法中迭代公式如下：

FastICA算法的基本步驟如下［10］：

1）將觀測(cè)數(shù)據(jù)中心化，使之均值為0；

2）將數(shù)據(jù)白化；

3）選擇一個(gè)模為1的初始矢量w；

4）根據(jù)式（4）更新權(quán)矢量；

5）標(biāo)準(zhǔn)化

6）如不收斂，返回至第4步．

1.2 曲波變換

連續(xù)曲波變換定義為［7］：

其中：f表示圖像信號(hào)；j，k，l分別表示尺度、位置和方向參量；φj，k，l（x）為Curvelet函數(shù)，其定義如下：

其中：φj（x）為母小波，Rθl表示尺度旋轉(zhuǎn)．

而相應(yīng)的離散曲波變換定義如下：

離散曲波變換可以通過(guò)Wrapping算法實(shí)現(xiàn)，圖像經(jīng)過(guò)曲波變換后，分為粗尺度層（Coarse）、細(xì)尺度層（Detail）、最優(yōu)尺度層（Finest）［7－8］.粗尺度層由低頻系數(shù)組成，細(xì)尺度層由中高頻系數(shù)組成，最優(yōu)尺度層由高頻系數(shù)組成［13－14］.由于粗尺度層反映了圖像的概貌信息，集中了圖像的主要能量，本文方法選擇粗尺度層作為后續(xù)處理的圖像特征.

2 本文方法

基于上述理論，本文提出的結(jié)合曲波和ICA的人臉識(shí)別方法流程如圖2所示.

1）圖像預(yù)處理：將圖像進(jìn)行幾何歸一化和灰度歸一化；

2）曲波變換：運(yùn)用Wrapping算法對(duì)人臉圖像進(jìn)行曲波變換，然后對(duì)粗尺度層系數(shù)進(jìn)行下采樣，并把它排列成列向量構(gòu)成曲波特征，采用的方向數(shù)為16，分解的尺度按下式計(jì)算：

其中M、N表示圖像的尺度大小．

3）獨(dú)立成分分析：運(yùn)用FastICA算法提取訓(xùn)練樣本曲波特征的獨(dú)立成分，選擇一定數(shù)量的獨(dú)立成分構(gòu)成特征空間，然后曲波特征投影到該特征空間，從而提取圖像鑒別特征.

4）分類識(shí)別：采用最近鄰分類器進(jìn)行分類，距離使用余弦距離度量：

圖2 算法流程圖Fig.2 linear model of ICA

3 實(shí)驗(yàn)及仿真分析

為了驗(yàn)證本文方法的有效性，本文在MATLAB 2009平臺(tái)上進(jìn)行仿真實(shí)驗(yàn)，實(shí)驗(yàn)選用的人臉庫(kù)是通用的ORL人臉庫(kù)和Yale人臉庫(kù).

3.1 在ORL人臉庫(kù)上的實(shí)驗(yàn)

ORL人臉庫(kù)包括40人的不同表情、不同姿態(tài)的圖像，每人10幅，共400幅，單幅圖像大小為112×92.實(shí)驗(yàn)中隨機(jī)抽取人臉庫(kù)中的每人5幅圖像構(gòu)成訓(xùn)練樣本，余下圖像作為測(cè)試樣本.首先研究了獨(dú)立分量數(shù)目對(duì)識(shí)別率的影響，實(shí)驗(yàn)結(jié)果如圖3所示.從圖3可以看出，在試驗(yàn)中單純的增加獨(dú)立分量數(shù)目，并不能有效的提高識(shí)別率，說(shuō)明不同的獨(dú)立分量對(duì)人臉識(shí)別的貢獻(xiàn)率是不同的.在本實(shí)驗(yàn)中獨(dú)立分量數(shù)目在150附近可以達(dá)到較好的效果，所以下文選取150個(gè)獨(dú)立分量參與識(shí)別.

實(shí)驗(yàn)中還比較了本文方法與單純的小波變換方法（Wavelet）、ICA方法以及小波變換與ICA結(jié)合的方法（Wavelet＋I(xiàn)CA）的識(shí)別性能，實(shí)驗(yàn)中的相同操作選取完全一致的參數(shù).實(shí)驗(yàn)結(jié)果如表1所示.

從表1可以看出，本文方法的識(shí)別率可以達(dá)到97.5%，取得了不錯(cuò)的識(shí)別效果，說(shuō)明了本文方法對(duì)姿態(tài)、表情變化的人臉圖像的識(shí)別具有魯棒性.

3.2 在Yale人臉庫(kù)上的實(shí)驗(yàn)

Yale庫(kù)包括15人的不同表情和不同光照條件的圖像，單人11幅，共165幅圖像.實(shí)驗(yàn)中隨機(jī)抽取數(shù)據(jù)庫(kù)中的每人n幅圖像構(gòu)成訓(xùn)練樣本，余下圖像作為測(cè)試樣本．選取的獨(dú)立分量數(shù)目30，與前述3個(gè)實(shí)驗(yàn)進(jìn)行了對(duì)比，實(shí)驗(yàn)結(jié)果如表2所示.

從表2可以看出，識(shí)別率隨著測(cè)試樣本數(shù)目的增加而增加的，但是本文方法的識(shí)別率一直高于對(duì)比方法，特別在樣本數(shù)目比較少時(shí)（n＝4），也可以達(dá)到92.6%的識(shí)別效果.本實(shí)驗(yàn)證明了本文方法對(duì)光照和表情變化的人臉圖像的識(shí)別具有魯棒性.

另外從人臉識(shí)別實(shí)際應(yīng)用的角度考慮，算法時(shí)間復(fù)雜度是考量一個(gè)算法好壞的重要指標(biāo).由于模式識(shí)別中均是離線訓(xùn)練，訓(xùn)練時(shí)間對(duì)算法的實(shí)時(shí)性沒(méi)有影響，因而算法的時(shí)間復(fù)雜度主要取決于識(shí)別時(shí)間.在本文方法中，識(shí)別階段的曲波變換占據(jù)了絕大部分識(shí)別時(shí)間，而現(xiàn)已具備成熟的曲波工具包，故該方法可以方便地應(yīng)用于實(shí)際.

圖3 獨(dú)立分量數(shù)目對(duì)識(shí)別率的影響Fig.3 The effect of independent component number on recognition rates

表1 在ORL數(shù)據(jù)庫(kù)的識(shí)別性能對(duì)比Tab.1 Performances comparison charts on ORL

表2 在Yale數(shù)據(jù)庫(kù)的識(shí)別性能對(duì)比Tab.2 Performances comparison charts on Yale

4 結(jié)語(yǔ)

本文提出了一種結(jié)合曲波變換與獨(dú)立成分分析的人臉識(shí)別方法.實(shí)驗(yàn)結(jié)果表明該算法對(duì)于人臉光照、姿態(tài)及表情變化具有良好的魯棒性.在今后的研究工作中，將對(duì)如何自適應(yīng)的選擇獨(dú)立分量以及如何充分利用曲波變換的尺度層特征信息做進(jìn)一步的研究，以求達(dá)到更佳的識(shí)別效果.

［1］郭黎，冷法，梅文益，等.基于PCA和SVM的人臉識(shí)別技術(shù)研究［J］.湖北民族學(xué)院學(xué)院：自然科學(xué)版，2015，33（2）：193－196.

［2］劉悅婷.基于小波段和二維主元分析的人臉識(shí)別［J］.佳木斯大學(xué)學(xué)報(bào)：自然科學(xué)版，2015，11（4）：147－149.

［3］BELHUMENU P N，HESPANHA J P，KRIEGMAN D J.Eigenfaces vs fisherfaces：Recognition using class specific linear projection［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，1997，19（7）：711－720.

［4］BARTLETT M S，LADES H M.Independent component representation for face recognition［J］.Proc of SPIE，1998：528－539.

［5］CHIEN J，WU C.Discriminant wavelet faces and nearest feature classifiers for face Recognition［J］.IEEE Trans on Pattern Analysis and Machine In?telligence，2002，24（12）：1644－1649.

［6］CANDES，E J，DONOHO D L.Fast discrete curvelet transforms［J］.Multiscale Modeling and Simulation，2006，5（3）：861－899.

［7］WU XIAN－XING，ZHAO JIE－YU.Curvelet feature extraction for face recognition and facial expression recognition［C］／／2010 Sixth International Conference on Natural Computation，Yantai，Shandong，China，August 10－12，2010：1212－1216.

［8］ZHANG，LI PENG.Facial feature extraction by curvelet and LDA［J］.Journal of Computational Information Systems，2008，5（3）：1333－1339.

［9］張新征.基于多小波子帶加權(quán)判別熵的SAR目標(biāo)ICA特征提取及識(shí)別［J］.計(jì)算機(jī)應(yīng)用，2011，31（9）：2468－2472.

［10］ANTONI J，CHAUHAN S.A study and extension of second－order blind source separation to operational modal analysis［J］.Journal of Sound and Vibration，2013，332（4）：1079－1106.

［11］TANG YING，LI JIAN－PING，WU HUAI.A Simple and accurate ICA algorithm for sparatin mixtures of up to four independent components［J］. ACTA AUTOMATICA SINICA，2011，37（7）：794－799.

［12］姚俊良，楊小牛，李建東，等.用于共道通信系統(tǒng)的FastICA算法性能分析［J］.信號(hào)處理，2010，26（5）：771－777.

［13］馬苗，萬(wàn)仁遠(yuǎn)，尹義龍.基于相似性灰關(guān)聯(lián)的Curvelet域多聚焦圖像融合［J］.電子學(xué)報(bào)，2012，40（10）：1984－1988.

［14］MANDAL T，WU YUAN－YUAN.Curvelet based face recognition via dimension reduction［J］.Signal Processing，2009，89（12）：2345－2353.

責(zé)任編輯：時(shí) 凌

關(guān)于《湖北民族學(xué)院學(xué)報(bào)（自然科學(xué)版）》啟用在線投稿系統(tǒng)的啟事

為規(guī)范稿件處理程序，提高稿件處理效率，更方便快捷地為廣大作者服務(wù)，及時(shí)向作者反饋投稿相關(guān)信息，提高編輯部辦公效率，本刊編輯部在線投稿采編平臺(tái)于2015年6月起正式啟用.

《湖北民族學(xué)院學(xué)報(bào)（自然科學(xué)版）》主頁(yè)為http：／／hbmdzk.cbpt.cnki.net／，進(jìn)入“作者投稿系統(tǒng)”（或可直接登陸網(wǎng)址：http：／／hbmdzk.cbpt.cnki.net／EditorDN／index.aspx？t＝1），歡迎注冊(cè)使用.完成注冊(cè)后，從“登陸界面”進(jìn)入作者個(gè)人頁(yè)面，按照系統(tǒng)指令進(jìn)行投稿、查詢和咨詢，請(qǐng)不要重復(fù)注冊(cè).電子文檔請(qǐng)采用Word格式，正文末尾請(qǐng)注明作者簡(jiǎn)介、通訊地址、郵編、聯(lián)系電話等，如是基金項(xiàng)目文章請(qǐng)注明項(xiàng)目名稱和編號(hào).使用中遇到的任何問(wèn)題請(qǐng)及時(shí)與我們聯(lián)系.聯(lián)系電話：0718－8438535－607，608；E－mail：myxblk＠126.com.

在此，對(duì)廣大作者對(duì)我刊長(zhǎng)期以來(lái)的支持表示深深地感謝，熱忱歡迎各位作者通過(guò)該系統(tǒng)向我刊投稿！

《湖北民族學(xué)院學(xué)報(bào)（自然科學(xué)版）》編輯部

2015－06－05

Face Recognition Based on Curvelet Transform and Independent Component Analysis

LIU Song，WANG Chunning
（School of Information Engineering，Hubei University for Natoinalities，Enshi 445000，China）

As the main features of the faces can be better represented by the curvelet coefficients，and higher－order feature can be extracted by independent component analysis，a method of face recognition based on curvelet transform and ICA is proposed in this paper.Firstly，each of the images is decomposed using curvelet trasnform，and the low－frequency face image is selected as a sub－image；secondly，ICA is adopted to obtain independent components，and part of independent components are selected to constitute the feature space.Finally，the nearest neighbor classifier is used for identification.The experiment result on ORL and Yale face databases shows that the proposed method improved the recognition performance in comparison with comparative approach.

face recognition；curvelet transform；independent component analysis；feature extract；the nearest neighbor classifier

TP391.41

A

1008－8423（2015）03－0300－04

10.13501／j.cnki.42－1569／n.2015.09.019

2015－06－13.

湖北省自然科學(xué)基金項(xiàng)目（2013CFB042）.

劉嵩（1979－），男，博士生，副教授，主要從事計(jì)算機(jī)視覺(jué)的研究.