PCA算法的人臉識(shí)別技術(shù)研究

山東華宇工學(xué)院 孫德剛

人臉識(shí)別作為熱門(mén)研究技術(shù)，有關(guān)其生物特征識(shí)別算法陸續(xù)被提出。PCA作為經(jīng)典算法，在人臉識(shí)別領(lǐng)域運(yùn)用可以取得顯著效果。基于此，在對(duì)PCA算法理論展開(kāi)分析的基礎(chǔ)上，結(jié)合人臉識(shí)別基本思路和流程提出了該算法在人臉識(shí)別上的應(yīng)用原理，并對(duì)算法實(shí)現(xiàn)方法進(jìn)行了探討。從仿真結(jié)果來(lái)看，采用PCA算法能夠提高人臉識(shí)別率。

伴隨著科學(xué)技術(shù)的發(fā)展，人工智能被運(yùn)用到各行各業(yè)，為各項(xiàng)工作的高效開(kāi)展提供支持。而人臉識(shí)別屬于生物特征識(shí)別技術(shù)，早在19世紀(jì)得以被提出，目前在智能交通、智慧安防等多個(gè)領(lǐng)域得到了運(yùn)用。采用PCA算法實(shí)現(xiàn)人臉特征提取，能夠使因光照、角度等原因造成的人臉識(shí)別率低的問(wèn)題得到解決，因此還要加強(qiáng)基于該算法的人臉識(shí)別技術(shù)研究，以便使技術(shù)得到更好地推廣應(yīng)用。

1 PCA算法

PCA為主成分分析法的英文簡(jiǎn)稱(chēng)，通常理應(yīng)原始變量線(xiàn)性組合對(duì)原本指標(biāo)數(shù)據(jù)進(jìn)行替代，從而實(shí)現(xiàn)主成分解釋。采用該算法能夠使原本數(shù)據(jù)結(jié)構(gòu)分布得到最大限度的保留，并在最小均方條件下進(jìn)行最能代表原始數(shù)據(jù)的投影查找，從而在特征空間中實(shí)現(xiàn)數(shù)據(jù)降維。作為常用人臉識(shí)別算法，能夠?qū)崿F(xiàn)方差最大化，同時(shí)實(shí)現(xiàn)冗余最小化，在數(shù)據(jù)降維、數(shù)據(jù)相關(guān)性分析等多個(gè)領(lǐng)域擁有顯著優(yōu)勢(shì)。采用該算法能夠?qū)υ紨?shù)據(jù)進(jìn)行線(xiàn)性變換，將數(shù)據(jù)變換到新坐標(biāo)系中，在數(shù)據(jù)方差最大的方向樹(shù)立第一個(gè)坐標(biāo)軸，即第一主成分。與坐標(biāo)軸正交平面為第二個(gè)坐標(biāo)軸，則為第二個(gè)主成分。對(duì)低階主成分進(jìn)行保留，使高階主成分得到忽略，能夠使數(shù)據(jù)集方差貢獻(xiàn)最大的特征得到保持。利用不同維度線(xiàn)性無(wú)關(guān)數(shù)據(jù)進(jìn)行表示，可以得到一組不相關(guān)的綜合指標(biāo)。通過(guò)對(duì)數(shù)據(jù)主要特征分量進(jìn)行提取，將高維空間數(shù)據(jù)向低維空間投影，能夠完成數(shù)據(jù)降維處理。

2 基于PCA算法的人臉識(shí)別技術(shù)

2.1 基本思路

采用人臉識(shí)別技術(shù)，需要通過(guò)構(gòu)建人臉?lè)诸?lèi)器獲得人臉識(shí)別模型，通過(guò)運(yùn)用高效識(shí)別算法保證人臉特征得到準(zhǔn)確提取。在算法運(yùn)用上，還要完成大量樣本訓(xùn)練，以便得到科學(xué)分類(lèi)模型?，F(xiàn)階段，主要采用的人臉識(shí)別技術(shù)可以劃分為三類(lèi)。一類(lèi)為實(shí)現(xiàn)彈性圖匹配的技術(shù)，能夠利用發(fā)生一定變形的樣本實(shí)現(xiàn)人臉識(shí)別。如在拍攝圖片存在角度旋轉(zhuǎn)或人臉存在表情變化的情況下，還要對(duì)各圖像進(jìn)行分別計(jì)算，完成相應(yīng)模型圖的存儲(chǔ)，要求選用具有較強(qiáng)適應(yīng)性的算法。第二類(lèi)為利用幾何特征實(shí)現(xiàn)人臉識(shí)別的技術(shù)，需要對(duì)人臉的眼睛、鼻子等器官幾何特征進(jìn)行提取。由于這些生物特征相對(duì)穩(wěn)定，因此可以適應(yīng)光照、姿態(tài)等因素引起的變化。第三類(lèi)為基于子空間的識(shí)別技術(shù)，通過(guò)將圖像從高維向低維投影，能夠?qū)崿F(xiàn)人臉特征判別，容易受光照等外界因素干擾。實(shí)際采用PCA算法進(jìn)行人臉識(shí)別，還要解決因光照等因素造成人臉識(shí)別率低的問(wèn)題。具體來(lái)講，就是要在利用PCA算法進(jìn)行生物特征提取時(shí)，利用直方圖均衡化方法完成圖像預(yù)處理，使原始圖形大部分信息得到保留基礎(chǔ)上完成主要元素提取，繼而使技術(shù)穩(wěn)定性得到增強(qiáng)。

2.2 識(shí)別流程

從人臉識(shí)別流程來(lái)看，需要先獲取人臉圖像信息。采用多種采集設(shè)備，能夠完成大量圖像采集，然后轉(zhuǎn)化為計(jì)算機(jī)能夠處理的數(shù)據(jù)信息?？紤]到圖像質(zhì)量受光照、拍攝角度等復(fù)雜因素的影響，還要通過(guò)預(yù)處理增強(qiáng)圖像識(shí)別性，避免特征提取受到過(guò)大影響。為此，還要從明暗度、姿態(tài)、尺寸等多個(gè)角度進(jìn)行數(shù)據(jù)預(yù)處理，使各種影響得到消除。在特征提取環(huán)節(jié)，應(yīng)認(rèn)識(shí)到每幅圖像擁有各自的特征。不同于人眼依靠物理和結(jié)構(gòu)特征進(jìn)行人臉記憶和識(shí)別，計(jì)算機(jī)在視覺(jué)處理上需要對(duì)數(shù)學(xué)特征進(jìn)行提取，通過(guò)協(xié)方差矩陣計(jì)算、樣本平均值統(tǒng)計(jì)等操作獲得特征數(shù)據(jù)。機(jī)器學(xué)習(xí)需要大量訓(xùn)練樣本，數(shù)據(jù)維度過(guò)高將造成算法消耗資源過(guò)大。采用PCA算法實(shí)現(xiàn)主要信息提取，然后對(duì)原始高維向量進(jìn)行重構(gòu)，能夠?yàn)槿四樧R(shí)別提供支持。在特征匹配階段，需要將提取的特征與數(shù)據(jù)庫(kù)中的人臉特征樣本進(jìn)行比對(duì)，按照分類(lèi)規(guī)則實(shí)現(xiàn)匹配分析，最終使人臉得到有效識(shí)別。

2.3 算法原理

在樣本分類(lèi)過(guò)程中，還要假設(shè)樣本存在n個(gè)特征，通過(guò)對(duì)樣本平均值、離散度矩陣Sw進(jìn)行計(jì)算，能夠?qū)ν队胺较蜻M(jìn)行選擇，將樣本投影至一維空間Y。對(duì)空間邊界點(diǎn)進(jìn)行查找，能夠根據(jù)投影點(diǎn)與分界點(diǎn)關(guān)聯(lián)完成分類(lèi)。如在各樣本均值向量為mi時(shí)，樣本類(lèi)間的離散度矩陣滿(mǎn)足：

想要使投影后的一維空間保持較大距離，需要使樣本均值差（m1-m2）較大，實(shí)現(xiàn)類(lèi)間距離最大化。與此同時(shí)，使類(lèi)間距離實(shí)現(xiàn)最小化，能夠使各樣本保持緊密。對(duì)向量W *進(jìn)行求取，需要完成分類(lèi)準(zhǔn)則函數(shù)的構(gòu)建，得到：

對(duì)投影空間分割閾值y0進(jìn)行計(jì)算，能夠得到一維空間內(nèi)各樣本均值和離散度矩陣。針對(duì)給定原始變量X，通過(guò)在W*投影得到y(tǒng)，可以根據(jù)y與y0大小比值完成分類(lèi)。對(duì)樣本數(shù)據(jù)協(xié)方差進(jìn)行計(jì)算時(shí)，對(duì)得到的矩陣Σ=(Sij)p×p（i,j=1,2,...，p），還要完成特征值λi和對(duì)應(yīng)正交化單位特征向量ai進(jìn)行分析。根據(jù)主成分貢獻(xiàn)率，能夠完成重要主成分篩選。主成分Fi特征值平均更與原始變量Xj系數(shù)乘積為主成分荷載，能夠?qū)ζ渑c原始指標(biāo)間的關(guān)聯(lián)程度進(jìn)行反映，得到：

對(duì)不同主成分得分進(jìn)行分析，能夠完成樣本特征評(píng)判，得到：

2.4 算法實(shí)現(xiàn)

在算法實(shí)現(xiàn)上，在二維人臉圖像長(zhǎng)和寬分別為M和N的條件下，可以看成是MN列向量，轉(zhuǎn)換為一維列向量，需要先對(duì)圖像M*N值進(jìn)行計(jì)算。按照行實(shí)現(xiàn)轉(zhuǎn)置運(yùn)算，能夠按列實(shí)現(xiàn)圖像灰度值提取，得到一維向量矩陣T。通過(guò)對(duì)圖形進(jìn)行預(yù)處理，可以得到一維列向量平均值。采用列陣對(duì)每列平均值進(jìn)行削減，能夠得到矩陣A。利用A實(shí)現(xiàn)樣本訓(xùn)練，維度能夠達(dá)到M×N×P，與轉(zhuǎn)置相乘可以得到協(xié)方差矩陣C，維度為（MN）2。由于維度較高，還要采用PCA算法進(jìn)行降維處理，能夠利用C=AAT實(shí)現(xiàn)矩陣L構(gòu)造，得到L=AAT∈Rm×m。通過(guò)對(duì)特征值及向量進(jìn)行計(jì)算，能夠從中篩選出數(shù)值超100的值作為C的特征值，然后重新進(jìn)行特征向量計(jì)算，生成特征臉圖像。在人臉識(shí)別階段，通過(guò)樣本訓(xùn)練從數(shù)據(jù)庫(kù)中提取圖像，得到特征數(shù)據(jù)庫(kù)后，可以進(jìn)行樣本測(cè)試。針對(duì)需要識(shí)別的人臉，對(duì)提取得到的特征和數(shù)據(jù)庫(kù)中樣本距離進(jìn)行比較，將距離最小的圖像當(dāng)成是結(jié)果，從而完成人臉識(shí)別。為確定算法實(shí)現(xiàn)效果，還要采用matlab軟件進(jìn)行編程實(shí)現(xiàn)，從face 94 Essex face database中獲得400張人臉圖像。在樣本圖像占比超出65%的情況下，通過(guò)樣本訓(xùn)練后采用剩余35%圖像數(shù)據(jù)進(jìn)行人臉識(shí)別測(cè)試，可以發(fā)現(xiàn)人臉識(shí)別率能夠達(dá)到92%以上，能夠滿(mǎn)足人臉識(shí)別技術(shù)應(yīng)用要求。

結(jié)論：在人臉識(shí)別技術(shù)實(shí)現(xiàn)過(guò)程中，采用PCA算法還要確定算法在人臉生物特征提取方面的缺陷，通過(guò)科學(xué)進(jìn)行圖像預(yù)處理降低數(shù)據(jù)處理難度，確保原始圖形主要元素得到最大限度提取，為后續(xù)特征匹配和分析提供有力支撐。通過(guò)大量樣本訓(xùn)練建立人臉特征庫(kù)，并采用歐式距離法實(shí)現(xiàn)圖像判別，能夠使人臉識(shí)別算法得到有效實(shí)現(xiàn)，最終取得理想技術(shù)效果。