基于PCA-L1范式特征提取的大學圖書館人臉識別

曹 偉，殷守林

（1.鄭州工業(yè)應用技術學院圖書館，鄭州451150；2.哈爾濱工業(yè)大學電子與信息工程學院，哈爾濱150001）

生物識別技術是一種利用人類的物理或行為特征來驗證個人身份的技術。近10年來，人臉識別成為一種常見的生物特征識別方法技術。這不是一個簡單的任務，通常被認為這是一個數(shù)據(jù)分析問題。任何人臉識別系統(tǒng)的第一個預處理步驟都是從原始圖像中提取相關的面部特征。為了提取這些特征，近年來發(fā)展了許多技術[1-3]。其中，小波變換[4-5]是一種非常強大和實用的人臉識別技術。該變換的目的是提取出光照條件不佳或被遮擋的魯棒人臉特征。為此，小波變換將人臉圖像分解為子圖像，根據(jù)子圖像的方向和頻率進行局部定位。

主成分分析（PCA）[6-7]是一種傳統(tǒng)的基于L2范式的降維方法。最近，李勇等[8]提出了一種基于L1范式的新算法PCA-L1，該算法對噪聲和異常值具有更強的魯棒性。然而，PCA-L1范數(shù)需要大量的時間來計算投影基。為了解決這一局限性，本文提出了一種稱為WTPCA-L1的新技術，它利用Daubechies變換的三層小波分解和PCA-L1進行特征提取。

1 PCA-L1范式算法

2 離散小波變換

近10年來，離散小波變換（DWT）[9-11]已成為圖像處理領域的一種實用處理方法。小波變換的主要目的是將圖像分解成子帶。這些不同的子圖像主要用于圖像壓縮和特征提取。然而，圖像LL1是原始圖像的較粗近似值。在這項工作中，使用Db2將人臉圖像轉換成三層小波。圖1很好地說明了分解層次。

圖1 三級小波分解

更進一步的不是使用原始圖像。只利用LL3波段，使用PCA-L1范數(shù)算法生成主成分。對于分類步驟，采用歐幾里德距離的最近鄰算法。圖2示出了所提出方法的示意圖。

圖2 提出方法的流程圖

3 實驗結果與討論

本文提出并討論了基于ORL[12]和GTFD[13]人臉數(shù)據(jù)庫的WTPCA-L1方法的識別性能和魯棒性。

3.1 ORL數(shù)據(jù)庫實驗

ORL數(shù)據(jù)庫包含40個個體，如圖3所示，每個個體由10個固定大小的不同面部圖像表示。

圖3 ORL數(shù)據(jù)庫樣本

然而，這些面部圖像是在不同的時間拍攝的，改變了光照條件和面部表情。此數(shù)據(jù)庫中的所有圖像都被重新調整為56×46和量化灰度。然后，我們?yōu)槊總€個體隨機選擇5幅面部圖像進行訓練，并利用其他圖像進行測試。

3.2 GTFD實驗

GTFD包含50個個體，如圖4所示。對于每個個體，由15張面部圖像表示。這些面部圖像的大小、面部表情、照明和旋轉在圖像的平面上和垂直于圖像的平面上變化。

圖4 GTFD數(shù)據(jù)樣本

所有人臉圖像的大小調整為50×50，并量化為256灰度。我們?yōu)槊總€人隨機選擇10張面部圖像進行訓練，并利用其他圖像進行測試。

3.3 結果與討論

為了評估提出的方法，進行10次迭代實驗，并取識別率、標準差（STD）和執(zhí)行時間的平均值。

表1顯示了L2-PCA、PCA-L1和WTPCA-L1三種方法的最佳平均識別率和標準差以及平均時間。從這些結果可以看出，該方法使PCA-L1的執(zhí)行時間最小化，并且對兩個數(shù)據(jù)庫都有較好的識別率。ORL數(shù)據(jù)庫和GTFD的識別率分別為96.7%和85%。為了檢驗WTPCA-L1方法的魯棒性，在兩個數(shù)據(jù)庫的圖像中加入了兩種噪聲，即高斯噪聲和椒鹽噪聲。

表1 最佳平均識別率(RR)和相應的標準差(STD)，以及算法的運行時間(以秒為單位)

圖5顯示了來自ORL數(shù)據(jù)庫的一些有噪聲和無噪聲的樣本。在這個例子中，我們用兩種噪聲破壞了原始圖像。圖5的第2行描述了一個椒鹽噪聲樣本，而第3行顯示的是高斯噪聲圖像。為此 ，引入 的噪 聲 密度 隨值 10-4，5.10-4，10-3，5.10-3，10-2，5.10-2和 10-1而 變 化 。最后將我們的方法與其他方法的平均執(zhí)行次數(shù)進行了比較。

圖5 ORL噪聲圖像的樣本

第一行表示來自ORL數(shù)據(jù)庫的一些未損壞的圖像。

第二行是帶有鹽和胡椒噪聲的相同圖像。

第三行是帶有高斯噪聲樣本的圖像。

此外，高斯噪聲和椒鹽噪聲對所提出的ORL數(shù)據(jù)庫WTPCA-L1方法識別率的影響分別如圖6和圖7所示。結果表明，兩種噪聲的識別率都隨著密度的增加而降低。此外，從圖8和圖9中，我們可以看到附加噪聲對應用于GTFD圖像數(shù)據(jù)庫的WTPCA-L1算法的識別率的影響。從這些結果可以看出，隨著噪聲密度的增加，L2-PCA和PCA-L1的識別率都在下降。然而，所提出的WTPCA-L1方法的識別率仍然是最高的，這表明了所提出方法的有效性。

圖6 椒鹽噪聲對ORL數(shù)據(jù)中WTPCA-L1、PCA和PCA-L1方法識別率的影響

圖7 高斯噪聲對ORL數(shù)據(jù)中WTPCA-L1、PCA和PCA-L1方法識別率的影響

圖8 椒鹽噪聲對GTFD數(shù)據(jù)庫中WTPCA-L1、PCA和PCA-L1方法識別率的影響

圖9 高斯噪聲對GTFD數(shù)據(jù)庫中WTPCA-L1、PCA和PCA-L1方法識別率的影響

4 結論

本文提出了一種新的魯棒人臉識別方法WTPCA-L1。采用三級小波作為預處理步驟，使PCAL1提取過程的計算時間最小化。在GTFD和ORL人臉數(shù)據(jù)庫上的實驗結果表明，與經(jīng)典PCA和PCA-L1相比，本文提出的WTPCA-L1具有更強的抗噪聲能力，并且具有較高的識別率。