基于特征臉?lè)ǖ娜四樧R(shí)別算法

陳淑玲

(閩西職業(yè)技術(shù)學(xué)院計(jì)算機(jī)系，福建 龍巖 364021)

基于特征臉?lè)ǖ娜四樧R(shí)別算法

陳淑玲

(閩西職業(yè)技術(shù)學(xué)院計(jì)算機(jī)系，福建 龍巖 364021)

人臉識(shí)別是機(jī)器視覺(jué)和模式識(shí)別領(lǐng)域中一個(gè)相當(dāng)困難而又有理論意義和實(shí)際價(jià)值的研究課題。人臉識(shí)別技術(shù)通過(guò)分析人臉圖像,并從人臉圖像中提取有效的識(shí)別信息,來(lái)辨認(rèn)人的身份?；谔卣髂樀姆椒ㄊ侨四樧R(shí)別的常用方法。闡述了基于特征臉?lè)ǖ娜四樧R(shí)別的具體步驟算法，再利用ORL人臉庫(kù)對(duì)其進(jìn)行了測(cè)試。試驗(yàn)結(jié)果表明，特征臉?lè)ㄒ欢l件下可以較為準(zhǔn)確的識(shí)別人臉；而在臉部表情變化較大以及光照條件變化較大的情況下，可以使用加權(quán)特征臉?lè)ǎ萌四樤紙D像與重構(gòu)圖像的差值來(lái)代替原人臉圖像而建立新的人臉圖像庫(kù)，取適當(dāng)?shù)募訖?quán)系數(shù)，能夠收到更好的識(shí)別效果。

人臉識(shí)別；模式識(shí)別；特征臉；ORL

人臉識(shí)別是人工智能和模式識(shí)別一個(gè)非?；钴S的研究領(lǐng)域，其覆蓋了數(shù)字圖像處理、模式識(shí)別、計(jì)算機(jī)視覺(jué)、神經(jīng)網(wǎng)絡(luò)、心理學(xué)、生理學(xué)、數(shù)學(xué)等學(xué)科的內(nèi)容，可以用于身份認(rèn)證、公共場(chǎng)合對(duì)人的監(jiān)視、圖像數(shù)據(jù)的檢索以及提高人機(jī)交互的能力。如今，雖然在這方面的研究已取得了一些可喜的成果，但是人臉識(shí)別技術(shù)在實(shí)際應(yīng)用中仍面臨著很多問(wèn)題。因?yàn)槿四樜骞俚姆植际欠浅Ｏ嗨频?，而且人臉本身又是一個(gè)柔性物體，表情、姿態(tài)或發(fā)型、化妝的千變?nèi)f化都為正確識(shí)別帶來(lái)了相當(dāng)大的麻煩。如何能正確識(shí)別大量的人并滿足實(shí)時(shí)性要求是迫切需要解決的問(wèn)題。

1 特征臉?lè)?/h2>

圖1 特征法人臉識(shí)別過(guò)程

特征臉?lè)ㄊ菑闹鞒沙煞址治鰧?dǎo)出的一種人臉描述和識(shí)別技術(shù)。特征臉?lè)ㄕJ(rèn)為包含人臉的圖像的全局結(jié)構(gòu)信息對(duì)于識(shí)別最重要，將圖像看作一個(gè)隨機(jī)向量，對(duì)應(yīng)其中較大特征值的基具有與人臉相似的形狀，即為特征臉。利用這些基的線性組合可以描述人臉圖像，識(shí)別過(guò)程中將圖像映射到特征臉組成的子空間上，再比較其在空間中的位置，然后利用對(duì)圖像投影間的距離度量圖像間的相似度，從而實(shí)現(xiàn)人臉識(shí)別。識(shí)別過(guò)程如圖1所示。

所有人臉識(shí)別算法都由人臉定位與標(biāo)準(zhǔn)化和人臉識(shí)別2部分組成。而預(yù)處理的主要任務(wù)是人臉檢測(cè)和人臉定位與標(biāo)準(zhǔn)化，筆者研究的人臉識(shí)別采用ORL人臉庫(kù)中的人臉圖像，即人臉定位與標(biāo)準(zhǔn)化工作已完成。人臉識(shí)別主要完成添加特征臉訓(xùn)練集、特征提取及特征對(duì)比，以得到最終識(shí)別結(jié)果。

2 人臉空間

人臉識(shí)別過(guò)程中選擇ORL人臉庫(kù)中的M(M=60)幅人臉作為訓(xùn)練集，其中訓(xùn)練人數(shù)N=15，每個(gè)人的訓(xùn)練圖像為4張，這些圖像分別在不同時(shí)間、不同光照、不同頭部角度、不同表情條件下得到。該訓(xùn)練集的圖像均為256級(jí)灰度圖，尺寸大小為112×92像素的人臉圖片，訓(xùn)練集的圖像向量為Γ1,Γ2,…,ΓM(M=60)，人臉空間維度為D=N-1=14。

構(gòu)造矩陣A=[Φ1,Φ2,Φ3,…,ΦM]，得到訓(xùn)練集的協(xié)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，但是C的維數(shù)過(guò)大，計(jì)算不便，所以引入了輔助矩陣L=ATA，C和L具有相同的特征值，L的大小為60×60， 的特征向量為vd，C單位正交化后的特征向量為ud(即特征臉)，則ud=Avd(d=1,…,D)。

測(cè)試圖像到人臉空間之間的距離[4]：

測(cè)試圖像與訓(xùn)練集中某已知個(gè)體之間的距離[4]：

3 特征臉?lè)ㄟM(jìn)行人臉識(shí)別的具體步驟

特征臉?lè)ㄟM(jìn)行人臉識(shí)別的具體步驟如下：

步1 獲取一個(gè)尺寸一致(W×H=92×112)的人臉圖像訓(xùn)練集，訓(xùn)練集圖像來(lái)自O(shè)RL庫(kù)中的15個(gè)人，每個(gè)人有10張圖像(都是正面圖像，光照、姿態(tài)和表情都有差異)，取4張作訓(xùn)練圖像，剩下的6張作測(cè)試圖像，所以共有60張訓(xùn)練圖像，90張測(cè)試圖像。

步2 先將這60張訓(xùn)練圖像都轉(zhuǎn)化為灰度圖，從而弱化了臉色在識(shí)別過(guò)程中的影響；再以每張圖像像素點(diǎn)的灰度值為元素，組成60條列向量Γ1,Γ2,…,ΓM(M=60),每條向量的長(zhǎng)度為W×H。

步3 先計(jì)算平均臉Ψ，然后計(jì)算出每個(gè)人臉與平均臉之差(差臉)Φm。接著引入構(gòu)造矩陣A，最后構(gòu)造協(xié)方差矩陣C=AAT和輔助矩陣L=ATA。

步4 求出矩陣L的特征值μm(m=1,…,M)，對(duì)μm進(jìn)行降序排列，挑出D=14個(gè)中較大的特征值，并求出與它們對(duì)應(yīng)的特征向量vd(d=1,…,D)，可以把最大的幾個(gè)特征值所對(duì)應(yīng)的特征向量去除，因?yàn)樗鼈儼氖菆D像集共有的信息。

步5 根據(jù)ud=Avd(d=1,…,D)，計(jì)算出D個(gè)C的特征向量ud，然后把這些ud歸一化為單位正交向量。單位正交化后的ud就是“特征臉”。最后由這14個(gè)特征臉構(gòu)成一個(gè)人臉空間。

步6 把一張圖像 投影到人臉空間上，并計(jì)算出模式向量(pattern vector)Ω。在計(jì)算Ω之前，需要先計(jì)算一套權(quán)值ωd(d=1,…,D)，然后根據(jù)這套權(quán)值組合成Ω：ΩT=[ω1,ω2,…,ωD]。

步8 當(dāng)遇到一副測(cè)試圖像Γ時(shí)，根據(jù)步6計(jì)算出它的模式向量ΩT。

步9 計(jì)算測(cè)試圖像Γ到人臉空間之間的距離ε，若ε<θ1，則表明這是一張人臉圖像。

步10 如果輸入圖像為人臉圖像，則計(jì)算它與訓(xùn)練集中各個(gè)個(gè)體之間的距離εn(n=1,…,N)，如果距離εn<θ2，則它屬于這個(gè)已知個(gè)體，否則輸入圖像為未知個(gè)體。

4 測(cè)試試驗(yàn)

圖2 人臉識(shí)別系統(tǒng)

人臉識(shí)別系統(tǒng)功能如圖2所示。在系統(tǒng)中將人臉圖像加入訓(xùn)練集：加入同一個(gè)人6張不同的人臉照片，標(biāo)記為number1，同理加入另一個(gè)人6張不同的人臉照片，標(biāo)記為number2，如圖3所示。

從剩下未加入到以上訓(xùn)練集中的人臉照片中選一張進(jìn)行測(cè)試，如圖4所示，測(cè)試結(jié)果如圖5所示， 通過(guò)多次測(cè)試，統(tǒng)計(jì)正確識(shí)別率大致為93.1%。

上述結(jié)果表明，特征臉?lè)ㄒ欢l件下可以較為準(zhǔn)確的識(shí)別人臉。雖然在臉部表情變化較大以及光照條件變化較大的情況下其效果不盡人意，但可以使用加權(quán)特征臉?lè)ǎ萌四樤紙D像與重構(gòu)圖像的差值來(lái)代替原人臉圖像而建立新的人臉圖像庫(kù)，取適當(dāng)?shù)募訖?quán)系數(shù)，識(shí)別率能夠達(dá)到96%～97%，這樣能夠收到更好的識(shí)別效果。

圖3 人臉照片number2 圖4 未加入訓(xùn)練集中的人臉照片 圖5 測(cè)試結(jié)果

5 結(jié) 語(yǔ)

介紹了一種常用的人臉識(shí)別方法，即特征臉?lè)?。該方法為每個(gè)個(gè)體人臉建立一個(gè)該個(gè)體對(duì)象私有的人臉空間，從而更好的描述不同個(gè)體人臉之間的差異性，而且最大可能地?cái)P棄了對(duì)識(shí)別不利的類(lèi)內(nèi)差異性和噪聲，該方法簡(jiǎn)單易于實(shí)現(xiàn)，而且效果不錯(cuò)，得到廣泛應(yīng)用，還可以通過(guò)不斷改進(jìn)來(lái)提高識(shí)別率。

[1]Heng Fui Liau.A Multiview Face Recognition System Based on Eigenface Method[J].Information Technology,2008,2:1-5.

[2]Zhi Zhang,Tulyakov S,Govindaraju V.Combining Facial Skin Mark and Eigenfaces for Face Recognition[J].Advances in Biometrics，2009:424-433.

[3]Sharkas M,Elenien M A.Eigenfaces vs.Fisherfaces vs.ICA for Face Recognition; A Comparative Study[J].Signal Processing,2008:914-919.

[4]Jun Zhang,Yong Yan,Lades M.Face recognition: eigenface,elastic matching,and neural nets[J].Proceedings of the IEEE，1997,85(9):1423-1435.

[5]邢志恒.崔連延基于特征臉的人臉識(shí)別系統(tǒng)的研究[J].電腦知識(shí)與技術(shù)，2007(9)：1431-1431.

[編輯] 洪云飛

10.3969/j.issn.1673-1409(N).2012.12.036

TP391.4

A

1673-1409(2012)12-N110-03