基于學習向量量化神經網絡的人臉朝向識別方法

馮潔瓊 盧煥章 陳尚鋒

摘要：針對傳統人臉朝向識別算法中識別準確率較低的缺點，本文采用基于學習向量量化神經網絡的識別方法，通過提取人臉圖像中眼睛位置的特征向量并對朝向不同的人臉圖像樣本進行學習訓練，優化了學習向量量化神經網絡各層間的權值參數，取得了較高準確度的識別效果；仿真結果表明，采用學習向量量化神經網絡的識別方法對人臉朝向進行識別可行有效，正確識別率可以達到95%以上，識別率與抗干擾性明顯優于誤差反傳神經網絡法。

關鍵詞：人臉朝向識別 學習向量量化 神經網絡 特征向量提取

中圖分類號：TP391 文獻標識碼：A 文章編號：1007-9416（2016）05-0000-00

Abstract： Aiming at the low accuracy disadvantage of traditional facial orientation recognition algorithm， the paper employs the recognition method based on the Learning Vector Quantization neural network. By means of extracting the feature vector of eyes positions in the face images and studying the different facial image samples， the paper optimizes the weighting parameters of the LVQ neural network， which achieves good recognition result. The simulation results indicates that the facial orientation recognition based on the learning vector quantization neural network is feasible and effective， and the correct recognition rate can reach more than 95%. Besides， the paper ultimately proofs the accuracy and the validity of the learning vector quantization neural network is better than the Back-Propagation neural network.

Key Words： Facial orientation recognition， Learning vector quantization， Neural network，Feature vector extraction

人臉識別作為一個復雜的模式識別問題，是生物特征識別領域最困難的研究課題之一，其目的是從圖像中剔除背景、提取人臉區域。人臉識別系統主要包括圖像數據庫采集、人臉圖像預處理、人臉特征建模及識別匹配。計算機技術的告訴發展使人臉圖像在人機交互中發揮著越來越重要的作用，由于實際應用中，人臉外形的不穩定性以及光照條件的多樣性使人臉視覺圖像在位置、朝向以及旋轉角度等方面產生巨大的差異，因此對人臉進行準確識別變得異常困難。

學習向量量化（LVQ）神經網絡是一種用于訓練競爭層的有監督學習方法的輸入前向神經網絡，其算法是從Kohonen競爭算法演化而來的[1]。與其他模式識別和映射方法相比，它的優勢在于網絡結構簡單，并且不需要對輸入向量進行歸一化、正交化處理，只通過計算輸入向量與競爭層之間的距離，從而完成復雜的分類處理[2]。當人臉朝向與旋轉角度不同時，眼睛局部特征與人臉圖像的幾何關系有較強的可區分性，因此提取人眼位置信息的特征向量并獲得有助于人臉朝向分類的特征數據，將該特征信息作為LVQ神經網絡的輸入，可實現對任意給出的人臉圖像進行朝向的識別，通過仿真可證明該方法的有效性。

1學習向量量化（LVQ）神經網絡

學習向量量化神經網絡是在競爭網絡結構的基礎上提出的，是自組織（SOFM）神經網絡的一種有監督形式的擴展。在網絡學習過程中加入教師信號作為分類信息對權值進行微調，并對輸出神經元預先指定類別，LVQ神經網絡實現了二者有效的結合，能夠更好發揮競爭學習與有監督學習的優點。

1.1 LVQ神經網絡結構與工作原理

廣義學習向量量化神經網絡由三層神經元組成，即輸入層、隱藏的競爭層和線性輸出層[3]，其網絡結構如圖1所示。輸入層與競爭層之間采用全連接方式，競爭層與輸出層之間采用部分連接方式[4]。競爭層神經元個數通常取輸出層神經元個數的整數倍，每個競爭層神經元有且只有一個輸出層神經元與之相連接且連接權值固定為1，而每個線性輸出層神經元可以與多個競爭層神經元相連接[5]。在學習向量量化神經網絡訓練過程中，當某個輸入模式被送入網絡時，競爭層的神經元通過競爭學習規則產生獲勝神經元，獲勝神經元調整權值的結果是使權值進一步向當前的輸入向量靠近。當下次出現相似的輸入模式時，獲勝神經元更容易得到修改權值的機會。在反復的競爭學習中，競爭層的各神經元對應的權值逐步被調整為輸入樣本空間的聚類中心[6]。該神經元被激活后輸出狀態為“1”，而其他競爭層神經元的狀態均為“0”。因此，與被激活神經元相連的線性輸出層神經元狀態為“1”。其余輸出層神經元狀態為“0”，從而實現模式分類與識別。

LVQ各層的數學描述如下：設神經網絡輸入向量，其中為輸入層神經元個數；競爭層輸出，表達式為；輸出層實際輸出為，表達式為，網絡期望輸出為。輸入層與競爭層之間的權系數矩陣，其中列向量為競爭層第個神經元對應的權值向量；同理可得，競爭層與輸出層之間的權系數矩陣為，其中列向量為競輸出層第個神經元對應的權值向量。

1.2 LVQ神經網絡學習算法

向量量化是利用輸入向量的固有機構進行數據壓縮的技術，學習向量量化是在向量量化基礎上將輸入向量分類的監督學習方法[7]。LVQ網絡在訓練前指定好線性輸出層的神經元類別，在學習訓練過程中不再改變競爭層與輸出層之間的權系數矩陣，而是通過改變進行學習。該算法實質是根據訓練樣本的特征進行“獎勵與懲罰”的一種迭代學習算法，即對分類正確的樣本，“獎勵”與其距離最近的權值點。經過若干次訓練后，得到的權值不再變化，說明網絡達到收斂狀態[8]。而競爭層神經元的數目輸入待分類的模式樣本測試，根據最近鄰法則得到輸入樣本模式的類別屬性。

LVQ1具體算法步驟為：

（1） 初始化輸入層與競爭層間的權值，確定初始學習速率與訓練次數；

（2）將輸入向量輸入網絡，計算競爭層神經元與輸入向量的距離并尋找獲勝神經元：

（3）根據分類是否正確調整獲勝神經元的權值：當網絡分類結果與教師信號一致時，向輸入樣本方向調整權值；反之，其他非獲勝神經元的權值保持不變。

算法直接利用最小歐式距離選擇與輸入向量最接近的矢量，因此不需要對權值向量和輸入向量進行歸一化處理。

在上述LVQ學習算法中，有且只有一個神經元獲勝并得到更新調整權值的機會。為了改善分類效果，Kohonen對該算法進行了改進，并命名為LVQ2算法[9]。改進算法基于光滑的移動決策邊界逼近貝葉斯極限，其特點是引入“次獲勝”神經元，使得“獲勝”神經元與“次獲勝”神經元的權值向量都被更新[10]。

LVQ2具體計算步驟如下：

（1）初始化參數、計算競爭層神經元與輸入向量距離同LVQ1算法；

（2）選擇與輸入向量距離最小的兩個競爭層神經元；

（3）若神經元對應于不同類別且與當前輸入向量的距離滿足，其中為輸入向量可能落進的接近于兩個向量中段平面的窗口寬度，經驗值為左右，那么若神經元對應的類別=輸入向量類別，則，若神經元對應的類別=輸入向量類別，則。

（4）若神經元不滿足上述條件，則按照LVQ1步驟（3）中進行更新即可。

2基于學習向量量化神經網絡的人臉朝向識別方法

2.1輸入向量與目標向量的設計

觀察大量人臉圖像容易察覺，當人臉圖像旋轉角不一樣時，眼睛局部特征在圖像中的位置差異明顯，因此僅需提取描述眼睛局部位置信息的特征向量并作為LVQ神經網絡的輸入，分別用數字1，2，3，4，5表示五個朝向左方、左前方、前方、右前方、右方，并作為神經網絡的輸出。搜集10人共50幅不同朝向的人臉圖像，隨機選取其中30幅圖像作為訓練集，剩余20幅作為測試集，因此目標向量為305的向量，其中每列只有一個“1”，其余均為“0”。

2.2人臉特征向量的提取

如上文所述，文中將420420的圖像劃分為6行8列，人物雙眼的局部特征信息通過第二行的8個子矩陣描述，在利用Sobel算子對圖像進行邊緣檢測后第二行8個子矩陣中值為“1”的像素點個數可較為準確的表示人臉朝向。

2.3 LVQ神經網絡的創建與訓練

LVQ網絡設計的關鍵因素包括訓練樣本是否具有普遍性與代表性，訓練樣本容量能否滿足需要，競爭層神經元數量、初始權值等網絡參數取值是否得到優化。根據特征向量與訓練圖像數量可知輸入和輸出節點分別為30和5，競爭層神經元的個數通常取決于輸入輸出關系的復雜性。為防止因競爭層神經元數過多產生“死”神經元，競爭層節點數經驗值為線性輸出層節點數的24倍，本文選取15作為競爭層節點數；其次是選擇合適的學習率，為保證算法的收斂性與穩定性，學習率取恒定值或隨時間單調減小，通常取。本文期望誤差取值0.001，學習函數用LVQ1，最大訓練步數設為100，初始化參數后對LVQ神經網絡進行訓練，訓練算法達到預先指定的誤差容限后停止。訓練過程曲線如圖2所示，由圖可知網絡收斂性較好，滿足誤差要求。

3實驗結果與分析

3.1網絡測試識別率與訓練次數、學習算法關系

將測試的20幅不同朝向的人臉圖像輸入網絡，網絡識別率如表1所示。由表1結果可知，LVQ神經網絡識別人臉朝向可行且有效，總體上取得了較好的識別結果。從訓練次數分析，在一定范圍內訓練次數的增加會提高分類識別正確率，所需訓練時間也會增加，識別錯誤主要因為樣本數據較為復雜。當訓練集較少時識別率會相對較低，因此在防止出現過擬合的同時應盡量增加訓練集的樣本數目，可有效改善網絡識別結果。

從算法角度分析，結果顯示LVQ2算法雖然是對LVQ1算法的改進但同時引入了新的誤差，因此識別結果較差；同時LVQ1算法運用簡單，識別率較高，具體應用時應開發更好的優化學習算法，綜合考慮性能指標作折衷處理。

3.2 LVQ神經網絡與BP神經網絡識別效果對比

由于BP神經網絡的輸出為非二值數據，因此采用四舍五入方法：若網絡輸出小于0.5則認為是0，反之為1；并提前利用三位二進制數編碼對五個朝向進行表述，如表2所示。

設置訓練次數為100次，BP神經網絡仿真結果識別率僅為85%，并出現錯誤預測值 [0；0；0]，該狀態不屬于表2中任何一種，從結果判斷不出圖像中人臉朝向，而LVQ神經網絡不僅可以很好的規避這一缺點，同時算法識別準確率明顯較高。

4結語

本文提出了一種基于學習向量量化神經網絡的人臉朝向識別方法，該方法第一步提取人臉圖像中雙眼的局部位置特征向量，并將提取的向量送入網絡進行訓練測試實現人臉朝向的準確識別，然后通過仿真實驗證明利用LVQ神經網絡進行人臉朝向識別方法的有效性，該方法能夠發揮競爭學習和有監督學習二者的優點，且網絡結構簡單，有效提高了識別率。

參考文獻

[1] 秦愷，曹龍漢 等.基于LVQ神經網絡集成的柴油機氣門故障診斷[J].UPS應用，2014：47-50.

[2] 董妍慧.基于LVQ神經網絡模型的企業財務危機預警[J].大連海事大學學報，2008，7（1）：92-94.

[3] 胡波，王文娟.基于向量量化網絡的煤礦瓦斯監控系統改造[J].電力學報，2010，25（2）：162-164

[4] 朱玉斌，李華聰.基于LVQ網絡的航空發動機氣路故障特征提取方法研究[J].測控技術，2014，33（6）：24-27.

[5] 律方成，張波.LVQ神經網絡在GIS局部放電類型識別中的應用[J].電測與儀表，2014，51（18）：112-115.

[6] 戴金輝.基于混合神經網絡的入侵檢測技術的研究[D].東北大學碩士論文，2010：37-39.

[7] 程劍鋒，徐俊艷.學習矢量量化的推廣及其典型形式的比較[J].計算機工程與應用，2006（17）：64-66.

[8] 李琳，張永祥.學習向量量化（LVQ）神經網絡在周期信號識別方面的擴展應用[J].機械設計與制造，2006，6：120-122.

[9] 張志華，鄭南寧，王天樹.廣義LVQ神經網絡的性能分析及其改進[J].自動化學報，1999，25（3）：52-55.

[10]周云龍，李紅延，李洪偉.改進的LVQ神經網絡在風機故障診斷中的應用[J].化工自動化及儀表，2013，40（5）：610-615.