基于小波變換和支持向量機的人臉識別系統設計

鄒麗英 孫小權

摘要：小波變換能夠充分突出某些特征的主要特點，通過小波變換可以將一張高維數的圖片變換成低維數的圖片，且人臉識別所需要的主要特征保持不變，通過主成份分析可以進一步降維。改進了基于小波變換和主成份分析提取特征向量的人臉識別方法，開發了基于小波變換及支持向量機的人臉識別系統，實現了對普通圖片和視頻的人臉識別。

關鍵詞：人臉識別；人臉檢測；小波變換；支持向量機

DOIDOI：10.11907/rjdk.161084

中圖分類號：TP319

文獻標識碼：A 文章編號：1672-7800（2016）005-0109-04

1 系統需求分析

小波提供了一種非平穩信號的時間—尺度分析手段，小波變換在時域和頻域都能提供良好的局部信息，尤其小波變換降維可降低圖像分辨率，進而降低計算復雜度，因而人臉識別技術中將高維圖片降為低維圖片采用小波變換[1-2]。基于小波變換和支持向量機的人臉識別系統核心功能是根據給定圖片（可以來自視頻） 通過一系列變換，檢測出圖片中的人臉，從人臉圖片中提取特征向量作為支持向量機的輸入，支持向量機輸出識別出的人員代碼，并調用相應人員的信息。系統主要功能模塊為人臉檢測、分類識別、參數優化、分類訓練，如圖1所示。

系統主要功能模塊包括圖像預處理、人臉檢測模塊、小波變換模塊、PCA特征提取模塊、支持向量機參數尋優

模塊、支持向量機訓練模塊、支持向量機人臉識別模塊等[3]，系統流程如圖2所示。

2 主要功能模塊設計

2.1 人臉檢測

人臉檢測的主要目的是在輸入的整幅圖像上尋找人臉區域，計算機把圖像分割成人臉區域和非人臉區域兩個部分。首先確定場景中是否存在人臉，再確定圖像中人臉的位置，將人臉區域按一定尺寸比例截取。

檢測人臉通過膚色來進行。經過濾波、光線補償的圖片，按照膚色模型提取近似膚色區域，去除小塊區域；利用形態學的原理對類膚色區域進行腐蝕和膨脹，去除毛刺和孔洞；根據區域形狀、大小等參數初步判斷是否為人臉區域，截取初步判斷為人臉的區域，調用人臉/非人臉識別程序判斷是否為人臉[4]。人臉/非人臉識別程序采用支持向量機進行識別判斷，檢測流程如圖3所示。

2.2 小波變換

由于采集到的圖片像素點較多，進行特征提取時，運算量非常大，而圖片中實際上包含了大量的冗余信息，人臉識別中所用到的特征主要是低頻特征，通過小波變換可以提取圖片的低頻信息。小波算法由于計算量較大，常采用濾波器的Mallat算法，也就是用兩個互補的濾波器產生高頻和低頻信號，再進行抽樣分別得到一級小波變換后的分解系數[4]。

當對圖片進行小波分解時，可以先按行進行一層小波變換，再按列進行一層小波變換。當需要進行多層變換時，可以將上一層變換后得到的低頻系數作為輸入，再作一層或多層小波分解。圖片二維小波變換實際是在行和列兩個方向上分別進行一維小波分解，多層小波分解實質是對上層小波分解的低頻分量再進行小波分解。

2.3 主成份分析法提取特征向量

主成份分析實際上是對圖片矩陣進行奇異值分解，得到一個對角線為奇異值的對角矩陣（奇異值非負且按降序排列）和圖片矩陣的奇異向量，再對這些矩陣進行運算，得到系數矩陣、訓練樣本投影后的矩陣、協方差矩陣特征值[5]。計算協方差矩陣特征值的累計值，當累計值達到預先設定的能量占比，特征值下標即是應取的維數，根據這一維數，從主成份系數矩陣和訓練樣本投影矩陣中取出相應的列數，構成新的主成份系數矩陣和樣本投影矩陣。識別時，只需將識別樣本向主成份系數矩陣上投影就得到要提取的特征向量。主成份分析法算法實現在多種編程工具中都進行了封裝，可以直接調用，不再贅述。

2.4 數據規格化

通過PCA變換得到特征數據，不同特征最大值和最小值不一樣，有的相差很大。為了使數據具有可比性，將不同的特征數值變化范圍統一在同一值域內，而在同一特征內部，數值之間的比例關系不變，因此需要對特征數據進行統一的規格化操作。先確定各特征變化范圍，再求取各特征數據的最大值和最小值，將各特征值的實際變化范圍與目標變化范圍的比值作為各特征值的變換系數，用這一變換系數對各特征進行數據變換，從而得到規格化的數據。對于圖像預處理模塊、PCA特征提取模塊、支持向量機的參數尋優模塊，支持向量機訓練模塊、支持向量機人臉識別模塊不再一一詳述。

3 人臉識別系統實現

MATLAB交互式程序設計語言，具有強大的矩陣運算和操作功能，能夠完成大部分圖像處理工作，本系統采用MATLAB語言程序代碼，實現圖像預處理、人臉檢測模塊、小波變換模塊、PCA特征提取模塊、支持向量機的參數尋優模塊，支持向量機訓練模塊、支持向量機人臉識別模塊等[6-7]。

3.1 人臉檢測算法實現

根據輸入的圖片，從中檢測出是否有人臉，如果存在人臉，則將人臉區域進行標記，并裁剪出來。

4 原型系統運行與驗證

第一次使用識別之前，必須對支持向量機進行訓練，而為了得到較好的訓練效果，必須設置合適的參數，通過參數尋優可以得到優化的訓練參數。本系統通過網格化尋優方法進行尋優。點擊上排菜單上的訓練，再點擊參數尋優，在輸入框中輸入PCA降維時用的能量占比。因為該原型系統存在兩個樣本庫，一個是人臉/非人臉樣本庫，一個是識別用樣本庫。所以要分別選擇訓練目錄，選擇訓練的文件夾，任點一個訓練文件，程序開始自動計算優化參數。結果參數寫入相應樣本庫的參數文件中并在左下方輸出。參數尋優如圖11所示。

圖片人臉識別是從現有的未經處理的相片中檢測出人臉并進行識別。一張圖片中可以有多個人臉，該功能模塊需要調用人臉檢測、標準人臉識別等函數。點擊打開圖片文件按鈕，選擇要識別的圖片，打開圖片文件，進入自動檢測人臉和自動識別。左側窗口顯示原圖片，右側上排顯示檢測出的人臉，下排顯示識別出的人臉。圖片人臉識別如圖12所示。

視頻源人臉識別通過攝像頭等實時拍攝設備或視頻文件，直接從視頻中發現人臉并進行識別。點擊打開視頻設備或打開視頻文件，程序打開視頻，當發現需要識別的人臉時，點擊捕獲按鈕，即進入自動檢測人臉和自動識別。左側窗口顯示視頻圖像，右側上排顯示檢測出的人臉，下排顯示識別出的人臉。視頻源人臉識別如圖13所示。

5 結語

本文系統采用MATLAB交互式程序設計語言，具有強大的矩陣運算和操作功能，能夠完成大部分圖像處理，同時節省編寫低層算法代碼的時間。改進了基于小波變換和主成份分析（PCA）提取特征向量與支持向量機相結合的人臉識別方法。通過小波變換和PCA對圖片降維，人臉識別的主要特征保持不變。應用膚色模型理論進行人臉檢測，通過小波變換和主成份分析法進行人臉特征提取，最后通過支持向量機進行人臉識別，實現了對普通圖片和視頻的人臉識別。從運行結果看，還需進一步調整參數，使人臉識別效果達到最佳。程序運行實時性欠佳，有待進一步提高其算法功能。

理論和實踐都表明，利用不同原理而得到的多種特征提取方法，具有較強的互補性。多種特征經過融合后，可以更全面地反映被測人臉的特征信息，并能提高識別精度。因此，小波特征與其它特征的融合有待于進一步研究。人臉圖像本身是三維的非剛性集合體，三維數據能為人臉識別提供更豐富的信息，用二維圖像來識別三維人臉信息，必然會引入一定的誤差，因此基于三維模型的人臉識別必將成為是未來人臉識別發展的主流。

參考文獻：

[1]XIAOFEI HE，DENG CAI.Learning a maximum margin subspacefor image retrieval[J].IEEE Transactions on knowledge and data engineering.，2008，20（2）：189-201.

[2]JIAN YANG，DELIN CHU，LEI ZHANG.Sparse representation classifier steered discriminative projection with applications to face recognition[J].IEEE Transactions on Neural Networks and Learning Systems，2013，24（7）：1023-1035.

[3]王金云，周暉杰，紀政.復雜背景中的人臉識別技術研究[J].計算機工程，2013，39（8）：196-199.

[4]余嘉，方杰，許可.基于加權小波的DCT人臉識別算法研究[J].計算機工程與應用，2012，48（17）：199-202.

[5]郝靜靜，李莉.一種基于KPCA與LDA的人臉識別改進算法[J].電子技術應用，2013，39（12）：132-134.

[6]樊春玲，陳秀建.基于PCA和LDA的人臉識別系統設計控制工程[J]，2012，19（4）：712-715.

[7]肖瀟，王憲保，王守覺.多自由度神經元模型的人臉識別算法研究[J].小型微型計算機系統，2012，33（12）：2693-2695.

[8]周杰，盧春雨，張長水，等.人臉自動識別方法綜述[J].電子學報，2000，28（4）：102-107.

[9]褚勤.基于小波分析和支持向量機的人臉識別方法研究[D].廣州：華南理工大學，2012.5.

[10]王躍明，潘綱，吳朝暉.三維人臉識別研究綜述[J].計算機輔助設計與圖形學學報，2008，20（07）：819-829.

[11]張東.圖書借閱管理系統的人臉識別技術[J].科技與管理，2014，16（04）：65-67.

（責任編輯：陳福時）