基于２ＤＰＣＡ和２ＤＬＤＡ的人臉識別方法

摘要：提出了基于2DPCA、2DLDA兩種特征采用融合分類器的人臉識別方法。首先提取人臉圖像的2DPCA和2DLDA特征，對不同特征在決策層對分類器進行融合。在ORL人臉庫上的試驗結果表明，分類器決策層融合方法在識別性能上優于2DPCA和2DLDA，更具有魯棒性。

關鍵詞：人臉識別; 二維主分量分析； 二維線性可分性分析； 分類器融合

中圖分類號：TP391.41文獻標志碼：A

文章編號：1001－3695(2007)08－0201－03

0引言

近十年來，人臉識別的研究有了很大進展。與指紋、語言等其他人體生物特征相比，人臉識別更加直接、友好，在身份識別、時頻檢索、安全監控等方面有著廣泛的應用，是當前模式識別與人工智能領域的一個研究熱點[1]。如何根據人的視覺機制提取有效的特征在人臉識別中的作用至關重要。

人臉特征的提取方法主要有兩大類：

a)基于幾何特征的提取方法。提取人臉面部的特征點（如眼、鼻、嘴等）的相對位置和距離，由于這些幾何特征容易受光照、表情、姿態等變化的影響，穩定性不好。

b)基于統計特征的提取方法。主分量分析（PCA）[2]和線性鑒別分析(LDA)[3]作為特征提取和數據描述的兩個有力工具在人臉識別方面得到了廣泛的應用。PCA和LDA用來處理人臉圖像時，首先要將描述人臉圖像的矩陣轉換為高維向量，這將帶來運算量龐大和矩陣奇異的問題。為解決這一問題，人們提出了直接基于2D人臉圖像矩陣而無須矢量化的2DPCA和2DLDA方法，有效地解決了運算量和矩陣奇異的問題。

目前對特定背景下的2D人臉已能作出很好的識別，但在實際應用中，人臉在不同的光照、姿勢和表情下變化很大。不同的特征提取方式對上述變化有一定的獨立性和信息互補性。因此，不同分類器的融合有可能使識別精度得到改善。分類器的融合方式包括特征層和決策層兩種[4~6]，比較簡單的融合方法有加法和乘法，它們有不同的適用場合，本文是基于決策層的分類器求和(sum rule)融合。這種融合對于分類器采用的不同形式的特征問題是很合適的。 

本文提出了基于2DPCA和2DLDA特征、分類器決策層融合的人臉識別算法、基于ORL人臉數據庫，在最近鄰和余弦角度兩種分類器的情況下均得到了很好的識別性能。驗證了特征和分類器的穩健性。

1人臉識別算法

1．12DPCA方法[7]

2DPCA 用二維圖像矩陣直接構建一個協方差矩陣，求出此協方差矩陣特征值和特征向量，并用對應于最大幾個特征值對應的特征向量構建坐標系，然后將每個圖像矩陣在這個坐標系上投影，從而得到圖像的特征。這種特征受樣本個數的影響較小。

3實驗結果與分析

本文實驗采用的是英國劍橋大學Olivetti研究所制作的ORL(Olivetti research laboratory)人臉數據庫。該數據庫包括40個不同人，每人10幅圖像，共400幅。每幅原始圖像為256個灰度級，分辨率為112×92。ORL人臉圖像是在不同時間、不同視角、各種表情（閉眼/睜眼、微笑/吃驚/生氣/憤怒/高興）和不同臉部細節（戴眼鏡/沒戴眼鏡、有胡子/沒胡子、不同發型）的條件下拍攝的。數據庫中部分人臉圖像如圖1所示。

實驗中每類人臉圖像的前幾幅作為訓練，余下的用來識別。2DPCA和2DLDA方法分別采用傳統的最近鄰分類器和余弦角度分類器進行分類，本文用的是sum融合后的兩種不同分類器。圖2和3為訓練樣本個數為8，特征向量維數不同時，不同識別方法時的識別率，其中圖2采用的是最近鄰分類器，圖3用的是cosine分類器。從圖中可以看出，在低特征維數條件下，2DPCA和2DLDA方法因利用了人臉圖像的空間結構信息，取得了較好的識別率，是兩種有效的特征提取方法，本文提出的sum融合方法，利用不同特征間的互補信息，提高了識別性能。

圖4和5是特征維數為3，訓練樣本個數不同時，不同方法識別性能的比較。其中圖4用的是最近鄰分類器，圖5是cosine分類器在小訓練樣本情況下， sum融合方法與2DPCA和2DLDA兩種方法中最好的識別性能相當，不同特征間互補信息量隨著訓練樣本的增加而增加，本文方法的識別性能提高越來越明顯。

因不同訓練樣本能提供的類別信息不同，2DPCA和2DLDA方法的識別性能隨訓練樣本個數的變化而變化，表現出一定的不穩定性，而sum融合方法則得到了穩健的識別性能。

表1是特征維數為3的情況下，用最近鄰分類器分類，不同訓練樣本個數，不同方法的識別率。當訓練樣本個數為6，特征維數為3時，已得到95％的識別率。

4結束語

本文算法只用了兩種特征，對分類器作了基于決策層的融合。在今后的研究中可以采用多種有效的特征提取算法，作基于特征層和決策層的共同融合。在運算量相當的條件，得到更高更穩健的識別性能?？傊?DPCA和2DLDA分類器融合的人臉識別方法具有較高的識別率、運算量小、工程上易于實現，是一種穩健的人臉識別方法。 

參考文獻：

［1］CHELLAPPA R，WILSON C L， SIROHEY S. Human and machine recognition of faces: a survey[J]. Proc IEEE， 1995，83(5):705－740.

［2］TURK M， PENTLAND A. face recognition using eigenfaces [C]//Proc IEEE Conf on Computer Vision and Pattern Recognition. 1991：586－591.

［3］MARTINEZ A M， KAK A C.PCA versus LDA [J]. IEEE Trans Pattern Analysis and Machine Intelligence， 2001，23(2)：228－233.

［4］KITTER J， HATEF M， DUIN R，et al. On combining classifiers[J]. IEEE Trans Pattern Analysis and Machine Intelligence，1998，20(3)：226－239.

［5］LU X G， WANG Y H， JAIN A K. Combing classifiers for face recognition [C]//Proc of IEEE ICME.2003：1316.

［6］TAX D M J， BREUKELEN M van， ROBERT P W， et al. Combing multiple classifier by averaging or by multiplying[J].Pattern Recog￣nition， 2000，33：14751485.

［7］YANG J， ZHANG D. Twodimensional PCA:a new approach to appearancebased face representation and recognition[J]. IEEE Trans Pattern Analysis and Machine Intelligence，2004，26(8)：982－994.

［8］LI M， YUAN B. 2DLDA: a novel statistical linear discriminate analysis for image matrix[J].Pattern

Recognition Lett，2005，26(5)：527－532.

注：“本文中所涉及到的圖表、注解、公式等內容請以PDF格式閱讀原文”