復(fù)雜光照條件下2DDWT+2DPCA算法在不同人臉庫(kù)上的研究

林小明

摘 要：人臉圖像在實(shí)際采集過(guò)程中會(huì)嚴(yán)重受光照條件變化的影響，本文圍繞復(fù)雜光照問(wèn)題展開，在ORL人臉庫(kù)和Yale B人臉庫(kù)采用2DPCA+2DDWT算法提取復(fù)雜光照條件下的人臉圖像特征，驗(yàn)證其魯棒性。

關(guān)鍵詞：復(fù)雜光照；特征提??；2DPCA+2DDWT

一、人臉識(shí)別系統(tǒng)概述

人臉識(shí)別系統(tǒng)是生物模式識(shí)別的一種，可分為六個(gè)部分：圖像獲取、人臉檢測(cè)、人臉定位、圖像預(yù)處理、特征提取及圖像分類。特征提取方法有基于幾何特征的方法、基于小波理論的人臉識(shí)別方法和神經(jīng)網(wǎng)絡(luò)的方法等，目前對(duì)人臉特征提取的研究較多的方法還包括：彈性圖匹配法、KL變換法、奇異值分解法以及混合法等。

二、ORL人臉庫(kù)和Yale B介紹

ORL人臉庫(kù)是由英國(guó)劍橋Olivetti實(shí)驗(yàn)室于1992年4月至1994年4月期間拍攝的一系列人臉圖像組成。該數(shù)據(jù)庫(kù)共包括40個(gè)人的400張人臉圖像，他們包括從18歲到81歲不等的年齡階段、不同種族的人群，其中男性為36人，女性為4人。每個(gè)研究對(duì)象包括10副分辨率為92*112的灰度圖像。每張圖像的背景均為黑色，每人的表情包括嚴(yán)肅、不笑、微笑、笑等，人臉的姿態(tài)也千差萬(wàn)別。

Yale B人臉庫(kù)是由美國(guó)Yale大學(xué)的計(jì)算機(jī)視覺(jué)與控制中心創(chuàng)建。該數(shù)據(jù)庫(kù)是包括165張人臉的多姿態(tài)、多表情、多光照變化的人臉庫(kù)，共有15個(gè)人，每個(gè)人含有11張從不同的角度包括左光源、右光源、中心光源、戴眼鏡、不戴眼鏡、正規(guī)圖像、高興、悲傷、睡姿、驚奇和泛眼。每個(gè)人的人臉圖像的表情、姿態(tài)、光照變化都非常大。所有實(shí)驗(yàn)人臉圖像的像素都統(tǒng)一為192*168，格式為.gif。

三、基于2DDWT+ 2DPCA算法的人臉特征提取方法

（一）2DDWT+ 2DPCA算法分析

良好的特征能夠有效地避免人臉圖像的表情、姿態(tài)以及光照等因素的影響，提取人臉圖像中的穩(wěn)定特征是人臉識(shí)別的關(guān)鍵技術(shù)。由Jian 等人提出的2DPCA特征提取方法能夠直接實(shí)現(xiàn)對(duì)二維人臉圖像信息的降維處理，但不能夠有效地解決光照變化的影響，因此在有些光照復(fù)雜的人臉庫(kù)中識(shí)別效果不理想。

小波變換具有良好的時(shí)頻局部變化能力，在數(shù)字圖像處理領(lǐng)域廣泛應(yīng)用?；?DDWT +2DPCA算法的人臉特征提取方法，能夠同時(shí)利用二維離散小波變換獲取人臉圖像的低頻分量，去除了人臉高頻分量的影響，提高算法對(duì)光照和表情變化等因素的穩(wěn)定性，彌補(bǔ)2DPCA算法在特征提取方面的不足，而且可以有效的利用2DPCA算法的降維作用。

本次試驗(yàn)中，我們先利用二維離散小波變換分別在ORL人臉數(shù)據(jù)庫(kù)、Yale B人臉數(shù)據(jù)庫(kù)中的所有人臉圖像進(jìn)行二級(jí)DB2小波分解得到四幅子圖像：一個(gè)低頻的圖像A11和三個(gè)高維圖像（A1h，Ah1，Ahh），由于低頻的圖像集中了人臉圖像的大部分能量，具有最大的分類能力，所以先使用人臉圖像的低頻部分進(jìn)行人臉圖像的特征提取。把經(jīng)過(guò)小波變換的訓(xùn)練集人臉圖像的所有低頻部分經(jīng)過(guò)2DPCA處理，得到最優(yōu)的特征矢量集W，再分別把訓(xùn)練集低頻人臉圖像系數(shù)矩陣和測(cè)試集人臉圖像系數(shù)矩陣在最優(yōu)特征矢量集W上進(jìn)行投影，分別得到小波訓(xùn)練集特征矩陣和測(cè)試集特征矩陣，最后把所有的訓(xùn)練特征矩陣和測(cè)試特征矩陣輸入到KNN分類器，輸出人臉識(shí)別的結(jié)果。

（二）算法在兩個(gè)人臉庫(kù)識(shí)別結(jié)果及分析

在ORL人臉庫(kù)中，選取每個(gè)人的前5張圖像作為訓(xùn)練樣本，后5張圖像作為測(cè)試樣本，訓(xùn)練樣本共包括200張人臉圖像，測(cè)試樣本包括200張不同人臉的圖像。在對(duì)人臉圖像的訓(xùn)練樣本進(jìn)行基于2DPCA最優(yōu)投影向量選取時(shí)，特征量的數(shù)目分別定為5、7、…、15。Yale B人臉庫(kù)中，我們提取每個(gè)人圖像的前6張作為訓(xùn)練樣本，后5張作為測(cè)試樣本。2DDWT+2DPCA在人臉特征數(shù)不同的情況下進(jìn)行人臉識(shí)別的研究結(jié)果表1所示。

基于2DDWT+2DPCA算法在ORL人臉數(shù)據(jù)庫(kù)的識(shí)別率最高98.25%，最低97.50%；在Yale B上識(shí)別率最低為98.79%，最高為99.39%，識(shí)別率高，表明該算法進(jìn)行人臉特征提取對(duì)特征量個(gè)數(shù)的選擇具有良好的魯棒性；隨著人臉特征數(shù)目增加，相應(yīng)的識(shí)別時(shí)間也增加。

2DDWT+2DPCA算法在不同的訓(xùn)練樣本（80，120，160，200）下的識(shí)別結(jié)果分別是94.38%、96.67%、97019%、98.25%。隨著訓(xùn)練樣本集中人臉圖像的增加，基于2DDWT+2DPCA相融合的算法進(jìn)行特征提取的人臉識(shí)別效果也在增高。

在MATLAB2014a上實(shí)現(xiàn)了2DPCA+2DDWT相融合，并對(duì)2DDWT

+2DPCA的特征提取算法分析和驗(yàn)證，2DDWT+2DPCA是復(fù)雜光照條件下的最優(yōu)特征提取算法。

參考文獻(xiàn)：

[1] 周翔，方文俊，羅斌，湯進(jìn).基于加權(quán)小波子帶圖像的貝葉斯人臉識(shí)別算法.北京交通大學(xué)學(xué)報(bào)，23（11），2013：26-33.

[2] 許永剛.復(fù)雜光照條件下人臉識(shí)別關(guān)鍵技術(shù)研究.電子科大學(xué)，2013，3，15.

[3] 戚大方，吳成東，基于小波變換與支持向量機(jī)的人臉識(shí)別.科技信息，2009，35.