一類基于多特征的模糊加權人臉識別算法

劉麗娜

(山東理工大學電氣與電子工程學院,山東 淄博 255049)

計算機人臉識別是由計算機分析人臉圖像,從人臉圖像中提取出有效的識別信息,用來“辨認”身份的一門技術.通常識別處理后可得到包括人臉的位置、尺度和姿態基本等信息.利用特征提取技術還可進一步抽取出更多的生物特征(如:種族、性別、年齡…).人臉識別技術有著廣泛的應用背景,可以應用于公安系統的罪犯身份識別、駕駛執照及護照等證件照片與實際持證人的核對、銀行及海關的監控系統以及一些保密單位的自動門衛系統等.

本文在基于PCA的人臉識別方法的基礎上對其進行了改進,采用基于多特征的模糊加權識別算法進行分類.所謂多特征的模糊加權識別算法即將Eigenface,Eigenupper,EigenTzone以及二階特征臉法四種方法的初步識別結果先模糊化,然后用模糊綜合函數加權組合后獲取新的距離函數進行人臉識別.EigenUpper、EigenTzone的采用將能補償Eigenfaces在表情、光照方面的魯棒性,二階特征臉將突出細節特征在人臉識別中的作用.針對Yale和ORL數據庫的實驗結果證明了該方法明顯優于傳統特征臉識別方法,值得重視.

1 基于PCA的人臉識別

1987年Sirovich和Kirby為減少人臉圖像的表示采用了PCA(Principal Component Analysis)方法,即主成分分析方法.1991年Matthew Turk and Alex Pentland最早將PCA應用于人臉識別[1].PCA(Karhunen-Loeve變換)的主要思想是在原始人臉空間中求得一組正交向量,并以此構成新的人臉空間,使所有人臉的均方差最小,達到降維目的.

1.1 人臉空間的建立

假設一幅人臉圖像包含N個象素點,它可以用一個N維向量Γ表示.這樣,訓練樣本庫就可以用{Γi|i=1,…,M}表示.然后求取M幅人臉圖像的平均人臉圖像(即平均臉),進而得到每張人臉圖像 Γi相對平均臉 Ψ的均差Φ,并構造訓練樣本集的協方差矩陣C.協方差矩陣C的正交特征向量就是組成人臉空間的基向量,即特征臉.把特征向量按特征值從大到小的順序排列,提取前M′個向量形成向量空間,即人臉空間.

1.2 人臉識別

對于一新的人臉圖像 Γ,將其投影到人臉空間得向量Ψ;將每個人的圖像Γk投影到人臉空間得到M維投影向量Ψk.求出 Ψ到每一類的距離:

其中Nc為人臉圖像的類別數.

然后,采用最小距離法進行分類.

2 基于多特征的模糊加權人臉識別

特征臉方法只考慮了人臉的整體特征,圖像中的每個象素點被賦予了同等重要的地位,因而它忽略了人臉的局部特征(如:眉毛、眼睛、鼻子、口等),識別中識別率不高.將整體特征與局部特征結合起來是特征臉法的一種改進方法.文獻[2]采用基于多特征組合和支持向量機的實時人臉鑒定方法,取得了較好的效果,文獻[3]提出了一種融合兩種主成分分析的人臉識別方法,在進行融合時用到了模糊的概念效果也不錯.本文將EigenUpper、EigenTzone、Eigenfaces以及二階特征臉法四種方法進行模糊加權組合.EigenUpper、EigenTzone法詳細請參考文獻[4].在Yale和ORL數據庫上的識別實驗結果表明它比單純使用Eigenfaces效果要好的多.

2.1 多特征提取

(1)Eigenfaces 采用文獻[1]的特征臉方法.

(2)EigenUpper 根據心理學和生理學的研究成果,在識別中人臉的上半部特征比下半部特征起的作用要大.因此實驗時提取人臉的上半部分,嘴所在的下半部分區域去掉,作PCA分析.實驗中部分EigenUpper如圖1所示.

圖1 實驗中部分EigenUpper

(3)EigenTzone 在人臉檢測中人眼的定位很重要,鼻子在人臉圖像中通常是個亮點.因此將人臉的Tzone分割出來,作特征臉分析.Tzone的分割,采用灰度投影圖方法.首先通過實驗選擇合適的閾值將原始圖像進行二值化;然后得到二值化圖像的水平投影圖和垂直投影圖;如圖2所示,依據投影圖可以確定眉毛、嘴巴以及人臉左右邊界的粗略位置;最后根據各特征點的位置確定Tzone.同樣的作PCA分析.實驗中部分EigenTzone如圖3所示.

圖2 二值化圖像的水平投影和垂直投影圖

圖3 實驗中部分EigenTzone

(4)二階特征臉法 特征臉方法在一定條件下可以有效的識別人臉,但是在某些條件下特征臉不能滿足人們對正確識別率的要求.比如:光照變化較大的情況下,特征臉中的主成分(即對應較大特征值的特征臉)主要反映的是人臉圖像中的光照變化.在這種情況下,特征臉不能有效的表示人臉圖像的身份特征信息,這將大大影響這些特征的識別效果.為了解決此問題,Wang和Tang[5]提出了二階特征臉方法,該方法通過丟棄傳統特征臉方法得到的前數個反應光照信息的特征臉來克服光照干擾的影響.該方法不僅采用原始人臉圖像的特征臉,還采用人臉圖像余像的特征臉——二階特征臉,所謂余像是指原始人臉圖像與基于特征臉的主成分重構的人臉圖像的差.人臉余像空間的建立過程,請見文獻[5].

將每個人的余像Γ′i投影到人臉余像空間得M維投影向量Ψ′k.對于一新的人臉圖像 Γ,將其投影到人臉空間和人臉余像空間得向量Ψ和Ψ′.定義新的距離函數

其中,α1和α2為權重系數,分別反映了一階和二階特征臉的重要程度.則輸入圖像就可按最小距離法進行分類.

2.2 基于模糊加權的人臉識別算法

在對測試樣本用上述四種方法進行初步分類后,用Zadeh提出的著名模糊集合論把識別結果模糊化,本文中的距離函數反映隸屬度的含義,在上述各種識別中,如果初步把測試樣本判為第k類是正確的話,則修改它們之間的距離為極小值,使測試樣本屬于第k類的隸屬度最大為1.0;如果是錯誤的,則修改它們之間的距離為極大值,使測試樣本屬于第k類的隸屬度最小為0.0.這樣就可以得到四組“模糊”的識別結果.然后采用模糊綜合函數將四組“模糊”識別結果進行融合,模糊綜合函數取算術平均值,即

最終依據融合所得的距離結果按最小距離法獲取識別結果.

3 測試實驗與結果分析

由于ORL人臉數據庫是目前應用最廣泛的人臉識別數據庫,其結果可比性較強.另外,它的顯著特點是無需對人臉圖像進行檢測定位和尺寸歸一化等處理.為了檢驗本文所提出的識別算法的正確性和有效性,選擇ORL數據庫中的20人每人5幅作為訓練樣本,該20人的其他100幅圖像作為測試樣本,并將二者的識別結果進行比較.為了進一步突出模糊加權識別算法的優越性,將其與一般的平均加權法進行對比.上述實驗的識別結果見表1.

其中,選取的特征向量數目為42,該數據是通過實驗和相關經驗公式確定的前M′個最大特征向量[6].在二階特征臉法的識別實驗中,α1和α2為權重系數選擇為0.6和0.4,亦是通過實驗和相關經驗確定的[6].

表1 正確識別率 %

各種識別方法的識別結果表明多特征模糊加權人臉識別算法要明顯優于傳統特征臉方法,且比多特征平均加權人臉識別算法要好一些.

4 結束語

采用的基于多特征的模糊加權人臉識別算法簡單有效,計算量較小、耗時不多.多特征的識別方法補償了特征臉在表情、光照方面的不足,同時考慮了眼睛、鼻子在識別中的作用,達到了整體與局部特征相結合的目的.

本文所采用的ORL數據庫為小型人臉庫,如能采用更多更大的人臉數據庫,增加訓練樣本的數量,將會進一步體現本文所提出方案的優越性.

[1]Matthew A T,Alex P P.Vision and modeling group,the modelinglaborato ry.FaceRecognitionUsingEigenfaces[J].CH2983-5/91/1991 IEEE,586-591.

[2]Kim D H,Lee J Y,Soh J,Chung Y K.Real-time face verification using multiple feature combination and a support vector machine supervisor[J].0-7803-7663-32003 IEEE.145-148.

[3]徐倩,鄧偉.一種融合兩種主成分分析的人臉識別方法[J].計算機工程與應用.2007,43(35):195-197.

[4]劉麗娜,喬誼正.基于多特征的人臉識別[J].中國科學技術大學學報(自動化專輯).2005,35:131-136.

[5]Wang L,Tan T K.Experimental results of face feature description based on the 2nd 2order eigenface method[R].ISO/IEC/JTC1/SC21/WG11/M6001,Geneva,2000.

[6]劉麗娜.基于特征臉和多特征的人臉識別算法研究[D].濟南:山東大學控制科學與工程學院,2006.