子塊加權(quán)保持近鄰嵌入和相關(guān)向量機(jī)的光照人臉識(shí)別

蔡麗霞

子塊加權(quán)保持近鄰嵌入和相關(guān)向量機(jī)的光照人臉識(shí)別

蔡麗霞

為了提高光照人臉識(shí)別正確率，針對(duì)傳統(tǒng)特征提取算法存在的不足，提出一種子塊加權(quán)保持近鄰嵌入算法和相關(guān)向量機(jī)相融合的光照人臉識(shí)別算法。首先，將人臉圖像劃分成多個(gè)子圖，然后，再采用保持近鄰嵌入算法對(duì)各子塊提取特征信息，并進(jìn)行加權(quán)連接一個(gè)特征矩陣，最后，輸入到相關(guān)向量機(jī)中進(jìn)行分類識(shí)別，并采用ORL和Yale人臉庫(kù)對(duì)算法的性能進(jìn)行測(cè)試。仿真結(jié)果表明，其算法不僅提高了人臉識(shí)別的正確率，而且加快了人臉識(shí)別的速度，對(duì)光照變化具有較好的魯棒性。

人臉識(shí)別；保持近鄰嵌入；子塊加權(quán)；相關(guān)向量機(jī)

0 引言

人臉識(shí)別作為一種常用生物識(shí)別技術(shù)，其在身份認(rèn)證、視頻監(jiān)控、安全認(rèn)證等領(lǐng)域具有廣泛的應(yīng)用前景。目前，約束環(huán)境下人臉識(shí)別已經(jīng)獲得比較令人滿意的識(shí)別結(jié)果，然而在實(shí)際應(yīng)用環(huán)境中，人臉常受到光照因素的影響，使得人臉識(shí)別性能急劇下降，因此提高光照條件下的人臉識(shí)別性能成為一種挑戰(zhàn)[1]。

為了解決光照條件下的人臉識(shí)別問(wèn)題，學(xué)者們進(jìn)行了許多研究，提出了許多不同的人臉識(shí)別算法[2]。人臉識(shí)別實(shí)質(zhì)是一種模式分類題，提取人臉特征是最為重要部分，文獻(xiàn)[3]最早就主成分分析（Principal Component Analysis，PCA）應(yīng)用于人臉特征，其將高維人臉圖像特征投影到低維子空間，對(duì)原始特征維數(shù)進(jìn)行有效的壓縮，提高了人臉識(shí)別的效率，隨后有學(xué)者提出基于線性判別分析（Linear Discriminant Analysis，LDA）的人臉特征提取算法[4]，但是它們是一類線性特征提取算法，當(dāng)特征維數(shù)較高時(shí)，易出現(xiàn)“小樣本”問(wèn)題，即樣本數(shù)會(huì)遠(yuǎn)小于特征維數(shù)。小波變換具有多尺度分解能力，因此，有學(xué)者采用小波變換提取人臉特征，將人臉圖像分解成為4個(gè)分量，只提取低頻分量作為人臉識(shí)別特征，然后，采用主成分分析對(duì)人臉特征進(jìn)行降維，提高了人臉識(shí)別的準(zhǔn)確率[5]，但是，由于只利用低頻分量信息，丟失了人臉高頻分量信息，識(shí)別結(jié)果不太可靠，對(duì)光照變化魯棒性較差[6]。近年來(lái)，大量研究結(jié)果表明，人臉可能位于一個(gè)低維非線性子流形上，因此，非線性流形學(xué)習(xí)算法引起了人們的廣泛關(guān)注，其中局部線性嵌入（LLE）具有較強(qiáng)的非線性降維能力，具有平移，旋轉(zhuǎn)不變性，取得了不錯(cuò)的人臉識(shí)別結(jié)果[7]。LLE只適用于均勻分布的流形結(jié)構(gòu)，但人臉圖像存在大量的非均勻分布的流形結(jié)構(gòu)，為此，有學(xué)者提出一種保持近鄰嵌入算法（Neighborhood Preserving Embedding，NPE），可以有效地保持人臉的局部特征。然而以上述算法均將整幅人臉圖像作為輸入模式，提取是人臉圖像的全局特征[8]。實(shí)際上人臉的局部特征包含了更多的識(shí)別信息，此外在光照變化環(huán)境中僅部分人臉區(qū)域存在變化，其它部分沒(méi)有什么變化，為此一些學(xué)者提出了分塊PCA算法（Block PCA，BPCA），首先，將人臉圖像劃分成多個(gè)的子圖像，然后，再采用PCA對(duì)各子圖像集提取局部特征信息[8]；文獻(xiàn)[10]提出了分塊加權(quán)的PCA算法，通過(guò)設(shè)置相應(yīng)的權(quán)值描述各子塊特征向量之間的差異，提高了人臉識(shí)別的正確率。

為了獲得更加理想的光照人臉識(shí)別效果，提出了一種子塊加權(quán)保持近鄰嵌入算法（Block Weighted NPE，BWNPE）和相關(guān)向量機(jī)（Relevance Vector Machine，RVM）相融合的光照人臉識(shí)別方法，采用2個(gè)人臉數(shù)據(jù)庫(kù)進(jìn)行對(duì)比仿真實(shí)驗(yàn)，以測(cè)試BWNPE-RVM的有效性。

1 BWNPE-RVM的工作流程

BWNPE-RVM的光照人臉識(shí)別算法主要思想為：首先，將人臉圖像劃分成多個(gè)子圖，然后再采用保持近鄰嵌入算法對(duì)各子圖提取特征信息，并進(jìn)行加權(quán)連接一個(gè)特征矩陣，最后輸入到相關(guān)向量機(jī)中進(jìn)行分類識(shí)別，具體工作流程如圖1所示：

圖1 BWNPE-RVM的工作流程

2 BWNPE-RVM的設(shè)計(jì)

2.1 人臉圖像分塊

首先，將每幅圖像分割成K份相等大小的子圖像，然后，將所有分割后的訓(xùn)練樣本第i行，第j列的子圖像集中在一起構(gòu)成一個(gè)子圖像集，得到K個(gè)分離的子圖像集，具體如圖2所示：

圖2 人臉圖像的分塊

2.2 NPE提取子圖像集特征

對(duì)于樣本集X=[x1,x2,...xN]，近鄰保持嵌入算法采用一個(gè)投影矩陣A將它們樣本映射到一個(gè)低維的特征空間，即有公式（1）：

（1）根據(jù)k近鄰計(jì)算樣本點(diǎn)的近鄰點(diǎn)集，構(gòu)造近鄰圖G。

（2）計(jì)算近鄰重建權(quán)重矩陣W。令xij()表示xi的k個(gè)近鄰點(diǎn)，wij表示相本點(diǎn)xi與xj之間的權(quán)值，每個(gè)數(shù)據(jù)點(diǎn)xi可以通過(guò)它的k個(gè)最近鄰點(diǎn)重構(gòu)，重構(gòu)損失函數(shù)為公式（2）：

（3）線性變化矩陣A可以通過(guò)求解下面最小化問(wèn)題得到公式（3）：

為了簡(jiǎn)化的運(yùn)算，式（2）可以轉(zhuǎn)化成下面的廣義特征值求解問(wèn)題，即公式（4）：

投影向量A=[α1, α2,…,αd]是前d個(gè)最小非零特征值所對(duì)應(yīng)的特征向量構(gòu)成。

2.3 子塊加權(quán)

Elij用來(lái)度量第j個(gè)樣本對(duì)第i個(gè)樣本的影響程度，距離越近，影響程度越大，其具體定義如公式（5）：

NEli越大的子圖像賦予的權(quán)重應(yīng)該越大，為此第l個(gè)子圖像集的權(quán)重定義為公式（8）：

2.4 分類器設(shè)計(jì)

其中先驗(yàn)分布的超參數(shù)向量[11]。

為使w的后驗(yàn)分布最大化，需要優(yōu)化超參數(shù)a和σ2，其邊緣似然函數(shù)為公式（13）：

運(yùn)算后剩下的非0權(quán)值的訓(xùn)練樣本即為相關(guān)向量，最終給定新的輸

預(yù)測(cè)分布為公式（14）：

把提取訓(xùn)練樣本中人臉圖像特征輸入到RVM進(jìn)行訓(xùn)練，得到相關(guān)向量和超平面方程，即相應(yīng)的人臉?lè)诸惼?，然后將待識(shí)別人臉輸入到分類器中進(jìn)行分類，輸出人臉識(shí)別結(jié)果。

由于人臉圖像分類實(shí)質(zhì)上是一個(gè)多分類問(wèn)題，但RVM只能求解兩分類問(wèn)題，必須通過(guò)組合策略構(gòu)建多類別的人臉?lè)诸惼鳎疚牟捎糜邢驘o(wú)環(huán)圖將兩分類的RVM組合在一起，構(gòu)造的多類別的人臉?lè)诸惼魅鐖D3所示[12]：

圖3 多類別的人臉?lè)诸惼髟O(shè)計(jì)

3 仿真實(shí)驗(yàn)

3.1 仿真環(huán)境及人臉庫(kù)

為了測(cè)試BWNPE-RVM的人臉識(shí)別性能，在Intel 雙核2.65 GHz，4G 內(nèi)存的計(jì)算機(jī)上，采用VC++編程實(shí)現(xiàn)仿真實(shí)驗(yàn)，采用ORL、Yale人臉庫(kù)的數(shù)據(jù)集作為仿真對(duì)象[13,14]，選擇BPCA、BWPCA以及文獻(xiàn)[15]的人臉識(shí)別算法進(jìn)行對(duì)比實(shí)驗(yàn)。ORL人臉庫(kù)包含40個(gè)人的正面圖像，每人10幅圖像，圖像傾斜變化和旋轉(zhuǎn)變化在20%左右，尺度變化在10%左右，圖像分辨率大小為112×92像素，其部分人臉樣本圖像，如圖4所示：

圖4 ORL人臉庫(kù)示例圖像

Yale人臉庫(kù)包含38個(gè)人、64種不同光照條件下的圖像，每個(gè)人在不同光照條件下有5個(gè)子集，子集1包含7幅圖像，子集2、3、4和5分別包含12、12、14、19幅圖像。Yale B人臉圖像示例，如圖5所示：

圖5 Yale人臉庫(kù)示例圖像

3.2 結(jié)果與分析

3.2.1 ORL的識(shí)別結(jié)果

從每個(gè)人臉圖像中隨機(jī)選擇7幅圖像組成訓(xùn)練樣本集，剩余3幅圖像組成測(cè)試樣本集，每一幅人臉圖像劃分8個(gè)子塊，最近鄰樣本數(shù)k=5，每一種算法均進(jìn)行10次實(shí)驗(yàn)，取其平均值作為最終識(shí)別結(jié)果，仿真結(jié)果如圖6所示：

圖6 不同算法在ORL人臉庫(kù)上識(shí)別率對(duì)比

從圖6可知，相對(duì)于對(duì)比算法，BWNPE-RVM的人臉識(shí)別正確率得到了進(jìn)一步提高，這表明BWNPE-RVM較好的解決了當(dāng)前人臉識(shí)別算法存在的不足，獲得了更加理想的人臉識(shí)別結(jié)果。

3.2.2 Yale的識(shí)別結(jié)果

隨機(jī)選取每個(gè)人7幅圖像組成訓(xùn)練樣本集，其余樣本組成測(cè)試集，每一幅人臉圖像分割為10子塊，最近鄰樣本數(shù)k=5，仿真結(jié)果如圖7所示：

圖7 不同算法在Yale人臉庫(kù)上識(shí)別率對(duì)比

從圖7可知，相對(duì)于對(duì)比算法，BWNPE-RVM的人臉識(shí)別正確率得到了進(jìn)一步提高，這表明BWNPE-RVM通過(guò)子塊劃分、加權(quán)以及保持近鄰嵌入算法提取人臉特征，獲得了對(duì)人臉識(shí)別結(jié)果有重要貢獻(xiàn)的特征，同時(shí)采用非線性分類能力強(qiáng)的相關(guān)向量機(jī)建立人臉?lè)謩e器，對(duì)光照變化具有較好的魯棒性。

3.2.3 不同算法的識(shí)別速度比較

對(duì)于實(shí)時(shí)性要求比較高的人臉識(shí)別應(yīng)用來(lái)說(shuō)，算法速度至關(guān)重要，為此測(cè)試一幅人臉圖像的平均識(shí)別時(shí)間，結(jié)果如圖8所示：

圖8 不同算法的平均識(shí)別時(shí)間對(duì)比

從圖8可知，相對(duì)于對(duì)比人臉識(shí)別算法，BWNPE-RVM的平均識(shí)別時(shí)間最短，提高了人臉識(shí)別的速度，也體現(xiàn)了BWNPE-RVM算法進(jìn)行人臉識(shí)別的優(yōu)越性。

4 總結(jié)

為了獲得更加理想的光照人臉識(shí)別結(jié)果，提出了一種子塊加權(quán)保持近鄰嵌入算法和相關(guān)相向量機(jī)相融合的光照人臉識(shí)別算法。首先，將人臉圖像劃分成多個(gè)子圖像，然后，再采用保持近鄰嵌入算法對(duì)各子圖像集提取局部特征信息，并進(jìn)行加權(quán)連接一個(gè)特征矩陣，最后，輸入到相關(guān)向量機(jī)中進(jìn)行分類識(shí)別，并采用ORL和Yale人臉庫(kù)對(duì)算法的性能進(jìn)行了測(cè)試。仿真結(jié)果表明，BWNPE-RVM通過(guò)劃分子塊，考慮了人臉的局部和全局特征，并通過(guò)加權(quán)對(duì)特征之間差異性進(jìn)行描述，通過(guò)保持近鄰嵌入算法提取了重要的人臉別特征，不僅提高了人臉識(shí)別的正確率，而且加快了人臉識(shí)別的速度，對(duì)光照變化具有較好的魯棒性，性能要優(yōu)于其它人臉識(shí)別算法。

[1] 趙松,張志堅(jiān),張培仁.增強(qiáng)的典型相關(guān)分析及其在人臉識(shí)別特征融合中的應(yīng)用[J].計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào),2009,21(3):394-400.

[2] 田玉敏,云艷娥,馬天駿.判別近鄰保持嵌入人臉識(shí)別[J].西安電子科技大學(xué)學(xué)報(bào), 2011, 38(3): 24-28.

[3] 王心醉,李巖,郭立紅,等. 基于雙向PCA和K近鄰的人臉識(shí)別算法[J].解放軍理工大學(xué)學(xué)報(bào)(自然科學(xué)版),2010, 11(6): 623-238.

[4] 鄒建法,王國(guó)胤,龔勛.基于增強(qiáng)Gabor特征和直接分步線性判別分析的人臉識(shí)別[J].模式識(shí)別與人工智能, 2010 (004): 477-482.

[5] 李建科,趙保軍,張輝,等.DCT和LBP特征融合的人臉識(shí)別[J].北京理工大學(xué)學(xué)報(bào), 2010, 30(011): 1355-1359.

[6] 張疆勤,廖海斌,李原.基于因子分析與稀疏表示的多姿態(tài)人臉識(shí)別[J].計(jì)算機(jī)工程與應(yīng)用,2013,49(5): 154-159.

[7] Yong Xu, Song Feng Xi , Feng Ge , et al. A novel local preserving projection scheme for use with face recognition [J]. Expert Systems with Applications, 2010,37(9):6718-6721.

[8] He Xiao Fei, Cai Deng, Yan Shui Cheng, Zhang Hong Jiang. Neighborhood Preserving Embedding[C]. Tenth IEEE International Conference on Computer Vision, 2005: 1208-1213.

[9] 洪泉,陳松燦,倪雪蕾.子模式典型相關(guān)分析及其在人臉識(shí)別中的應(yīng)用[J].自動(dòng)化學(xué)報(bào),2008,43(1):21-30.

[10] Hsieh P C, Tung P C. A novel hybrid approach based on sub-pattern technique and whitened PCA for face recognition [J]. Pattern Recognition, 2009, 42(5): 978-984.

[11] Tipping M E. The relevance vector machine [J]. Advances in Neural Information Processing Systems, 2000, (12): 652-658.

[12] 柳長(zhǎng)源,畢曉君,韋琦.基于相關(guān)向量機(jī)的含噪聲人臉圖像識(shí)別[J].吉林大學(xué)學(xué)報(bào)(工學(xué)版), 2013,43(4):1121-1126.

[13] Xu Yong, Zhong Aini, Yang Jian, et al. LPP solution schemes for use with face recognition[J]. Pattern Recognition, 2010,43(12) : 4165-4176.

[14] 陳恒鑫,唐遠(yuǎn)炎,房斌,張?zhí)?LMCP:用于變化光照下人臉識(shí)別的LBP改進(jìn)方法[J]. 計(jì)算機(jī)工程與應(yīng)用,2011,47(3):30-33.

[15] 王國(guó)強(qiáng),歐宗瑛,劉典婷,蘇鐵明.基于保持近鄰判別嵌入的人臉識(shí)別[J].大連理工大學(xué)學(xué)報(bào), 2008,(3):378-382.

TP391.4

A

2014.12.07）

1007-757X(2015)07-0062-04

蔡麗霞（1979-），女，河南工業(yè)職業(yè)技術(shù)學(xué)院，網(wǎng)絡(luò)管理中心，工程師，碩士，研究方向：圖形圖像學(xué)、網(wǎng)絡(luò)應(yīng)用和多媒體技術(shù)，南陽(yáng)，473000