基于人脸分类和K_L变换的人脸识别新方法

1、技术创新微计算机信息(测控自动化2010年第26卷第3-1期360元/年邮局订阅号:82-946现场总线技术应用200例博士论坛基于人脸分类和K-L 变换的人脸识别新方法A new method of face recognition based on face classification and K-L transformation(东北大学高晓兴李仁睦王文佳常桂然GAO Xiao-xing LI Ren-mu WANG Wen-jia CHANG Gui-ran摘要:为解决目前人脸识别领域中,对含有大量人脸样本训练库识别准确性低、实时效果差的问题,本文提出了一种基于人脸分类的K-L 变换

2、人脸识别新方法。该方法首先采用协同模式将ORL 人脸库中的人脸样本分成若干聚类;之后利用K-L 变换的方式识别待测人脸样本。降低了参加识别比对的样本数量,提高了人脸识别的效率,适用于身份鉴别领域。关键词:人脸分类;人脸识别;特征提取;K-L 变换中图分类号:TP391.4文献标识码:AAbstract:In order to solve the problem of low accuracy and poor real-time effect in training database consisted of mass of face sam -ples,we have proposed a

3、new K -L transformation method for face recognition which is based on face classification.For one thing,this method use synergistic model to divide the face samples in ORL face database into a number of clustering;then,use K-L trans -formation to recognize the test samples.This method reduced the nu

4、mber of face samples to be recognized and cut down the number of samples to be identified while increased the efficiency of face recognition,this method can be applied to identity verification.Key words:Face Classification;Face Recognition;Features Extraction;K-L Transformation文章编号:1008-0570(201003-

5、1-0008-031引言随着计算机技术的飞速发展,人脸识别技术逐渐发展壮大起来,并应用到众多领域。人脸识别是指在人脸检测的基础上针对输入的人脸图像,通过特征提取与特征匹配,找出与人脸库中最佳匹配的人脸图像,从而达到识别效果。当前主要采取的人脸识别方法有:基于几何特征的方法、基于模板的方法和基于模型的方法。这些方法较适合于人脸信息的验证,即待识别者是否为预先指定的对象。不足之处在于,需要建立一个拥有庞大人脸信息的训练样本库,因此就降低了输出结果的时效性和准确性。在应用领域中存在局限性,不适于具有庞大人脸样本训练库的身份鉴别领域。鉴于种种不足,本文提出了一种基于可变人脸库的快速人脸识别方法,使人脸

6、识别技术适用于更多的行业。2理论基础2.1人脸特征提取的算法K-L 变换是图像压缩中的一种最优正交变换,通过它可以把人脸样本从高维空间表示转换到低维空间表示,且由低维空间恢复的人脸样本和原人脸样本具有最小的均方误差,从而可以用人脸样本在低维空间的变换系数作为对人脸特征的描述。其中主元分析法(PCA就是基于K-L 变换的一种比较流行的算法,它是统计学中分析数据的一种有效的方法,其目的是在数据空间中找到一组向量以尽可能地解释数据的方差,将数据从原来的R 维空间将维投影到M 维空间(R>>M,并保存数据的主要信息,从而使数据更易于处理。按照K-L 变换识别算法流程,从人脸样本中提取面部特

7、征,是人脸识别中重要步骤。其实质是一个从高维图像空间到低维数字空间的转换过程,可表示为:Y=Tx(1式中:x 表示原始数据,Y 表示为特征信息,T 表示映射人脸样本特征提取算法如下:首先,计算该库中所有样本的平均值(平均脸:(2式中:P 表示照片数,f 表示每张照片的线性表示。然后构建协方差矩阵:(3式中:=-表示每张照片与样本平均值的差,A 表示差值形成的矩阵。接着,进行特征的提取:由于此协方差矩阵进行求解特征值和特征向量比较困难的,因此采用奇异值分解的方法得到特征矩阵。(4式中:U 表示的是采用奇异值分解特征向量提取方法。2.2基于协同模式的人脸样本分类将人脸样本进行分类,属于计算机视觉的

8、典型应用。本文采用2.1节所述方法获取原始图像的非线性最优表示,以消除图像冗余信息的干扰。在获得人脸样本图像的特征值后,运用协同模式识别的方式进行人脸样本的分类。在协同模式识别中,序参量相互竞争,最终强制系统呈现出模式原来所缺少的特征。图像用一维特征向量表示,所以状态仅与时间t 有关,不再出现空间坐标x 。设模式类数为M,特征向量为N,为了满足原型模型间的线性无关条件,要求M N 。因为有高晓兴:副院长副教授博士研究生基金项目:项目名称:博士点基金资助项目;基金颁发部门:教育部(20030145017;项目名称:基于高维混沌动力系统的流密码加密算法与性能评估;基金颁发部门:国家自然科学基金(6

9、08720408- 邮局订阅号:82-946360元/年技术创新博士论坛PLC 技术应用200例您的论文得到两院院士关注M 个模式类,所以一共可有M 个原型模型,这时用于图像识别的动力学方程可以描述如下:(5其中q 为状态向量;为(>0;为原形模型向量;为v k 的伴随向量;B 为常系数;包含B 的项用于多个模式间的辨别;C 为常系数,用于限制q 的指数增长;F(t为涨落力,一般情况下可以忽略。并且v k 满足归一化和零均值条件,伴随向量满足条件=0,;=1,。将状态向量分解为原型向量和剩余向量:q=,并且要求w=0,引入序参量,即为q 在上的投影,则可得到经过简化的协同模式识别动力学方

10、程:(6再给出输入模式q(0(即测试样本特征后,即得(0=q (0,系统按照公式(6演化成趋向于某个模式l,此时=1,而其他=0。在协同模式识别中,原型模型的选取对于识别能力起着关键的作用,因为原型模型决定着相应的伴随向量,而伴随向量的性能直接影响识别的结果。对于原型模型的选择,一般有如下两种方法:一是采用基于经验的方法,即在每一类训练样本中选择某一样本作为原型模型;二是采用数学平均的方法,即用每一类训练样本的平均值作为该类的原型模型。采用基于经验的方法要求测试样本与原型模型的相似度较高,该方法识别能力相对有限;而数学平均法忽视了训练样本的多样性。实际上,不同训练样本的代表性是不一样的,这里采

11、用每一类训练样本中的不同训练样本作为原型模型,然后对各个结果进行集成,这样可以充分利用各个训练样本的识别能力。对于测试样本,首先将初始序参量转化为后验概率,表达式如下:(7本文采用和的后验概率集成方法,即(8如果某个单分类器识别错误时,则对识别结果的影响不是很明显。然而,和的后验概率集成方法仍然存在一些弱点。首先,采用不同的训练样本作为原型模型的识别能力是不同的,和的后验概率集成方法认为它们的作用是相等的;其次,各个测试样本的具体情况不同,每个单分类器对于特定样本的分类能力是不同的。为此,采用一种针对测试样本的动态的分类集成方法。即在测试时,对于某个特定的测试样本,首先在训练集中寻找距该测试样

12、本最近的训练样本(以欧氏距离度量,运用分类器对该训练样本进行识别,如果识别错误,则认为分类器对该测试样本也不能正确识别,集成时舍弃分类器对该测试样本的识别结果。3实现过程3.1人脸库的建立(1照片预处理预处理的主要作用有两方面:第一,消除噪音;第二,尺度归一。为了提高识别速度,应该尽量减少入库照片的冗余信息。因此库中的照片中涵盖的信息主要为人脸五官信息,其他与人脸特征提取与比对不相关的信息都视为背景信息,需要剔除。经过尺度归一化处理及灰度均衡化处理,样本照片存储为像素大小112×92的灰度图像。(2人脸样本分类通常的人脸识别方法是将人脸库视为一个整体进行训练,得出整个人脸库的特征值,

13、之后再进行人脸识别。而本文,把一个常规的人脸库看成是若干个相对较小的人脸库的集合。进行人脸识别时,按照需求查找相应的子库,这样降低了参加训练的样本基数,从而达到了在不降低识别准确性的前提下,降低了人脸识别耗时的效果。人脸样本的分类采用协同模式的分类方式。在人脸样本分类时先采用K-L 变换的方式获得人脸样本的最优非线性表示,然后再进行协同模式方法进行分类。本文采用的人脸库以ORL 库为标准,在ORL 库的基础上进行修改,并引入数据库的方式进行照片路径的记录。每个人采集10个人脸样本,这10个样本包括不同角度、不同表情的照片,并把样本照片存放于人脸库下一个单独的文件夹中。人脸样本的分类并不直接记录

14、在人脸库中,而是以数据的形式记录于与人脸库相配套的数据库中。(3数据库的建立数据库起到了辅助的作用,是人脸识别算法与人脸库连接的一个桥梁。当识别待测样本时候,首先需要把待测样本进行人脸分类,在确定了该样本属于哪个聚类之后,从数据库中查找与之对应的人脸子库,进而进行人脸识别工作。该数据库中存储了人脸库中的每个照片的数据信息,包括:姓名;照片编号;协同模式分类;存储该样本的物理地址等信息。3.2待测样本的识别(1准备阶段该阶段的工作是:(1对待测样本进行预处理,其方法与人脸样本入库相同,主要处理的是样本光线调节和尺度归一化,处理后的待测样本与人脸库中的样本规格一致,可以达到人脸识别的需求。(2待测

15、人脸样本的协同模式分类,其方法与人脸样本入库一致。(2选择阶段该阶段中选择的主要内容是:参测人脸库。之所以要选择参测人脸库是因为,人脸识别方法默认人脸库是庞大的,拥有海量人脸样本。这样,如果需要在海量人脸样本中查找出待测人脸样本是人脸库中的哪个人脸信息需要耗费较大资源,并且查找时的等候时间是随着人脸库中人脸样本的增加而等比增长的。为了解决以上问题,这里采用了选择参测人脸库的方式。这样就避免了当人脸库中人脸样本增加,人脸识别耗时等比增加的问题。具体做法是:首先计算待测样本的模式分类;之后在数据库中查找该待测样本对应着那些照片;最后把这些照片所在的文件夹提取出来作为一个整体,存放在内存中,等待识别

16、。(3人脸识别阶段人脸识别并输出结果,通常是人脸识别系统中的最后一步,其比对的结果也是整个系统的出口。这里采用K-L 变换的方式进行人脸样本特征的提取,方法如2.1节所述。但是本文采用的特征比对方式与普通的人脸识别方法不同。把待测的人脸样本看作是待测库中的一个样本。这样不但减少了输入待测样本的步骤和相应的计算,而且在识别比对时,避免了欧氏距离公式的计算,从而提高了识别效率。4实验分析及结论本文方法主要解决了人脸识别领域中,要识别待测人脸的9-技术创新微计算机信息(测控自动化2010年第26卷第3-1期360元/年邮局订阅号:82-946现场总线技术应用200例博士论坛身份归属问题时,所涉及的训

17、练样本量过大,时间复杂度过高等问题。弥补了传统人脸识别算法中的不足。由于利用人脸五官几何特征存在差异的特性,把人脸照片分成不同的子库,在识别时只需要找到对应子库,这样就减少了训练样本的基数,提高了识别的速度,满足了识别的实时性要求。通过以下实验进行测试与分析,实验中采用电脑配置为:CPU:Pentium43.2G;内存:1G DDR2和硬盘:160G 。当测试样本为10人,每人一张照片时,分成模式类3类,识别效果见表1:表1当测试样本为10人,每人10张照片时,分成模式类3类,效果见表2:表2当测试样本为100人,每人10张照片时,分成模式类8类,效果见表3:表3通过以上实验数据分析可发现,当

18、测试样本数量逐渐变大时,该人脸识别方法的效率与准确率都要高于传统的人脸识别方法。当样本库中照片发生变化的时候,不需要重新训练样本库,只需把待识别照片放到库中就可以直接识别。因此本文方法适合于随机性高的即时身份鉴别领域。本文作者创新点:将人脸库看成是若干子库的集合,在进行人脸识别过程时,选择其中一个子库,这样就减少了参测样本数量,提高了识别效率。参考文献1王芳基于五官特征定位的人脸识别技术在防盗门中的应用中国海洋大学2彭辉,张永水,荣钢,边肇祁基于K-L 变换的人脸自动识别方法研究清华大学学报1997,67-703CELLAPPA R,CHARLES L ,WILSON S.Human and

19、machine recognition of faces:a survey J .Proc IEEE ,1995,83(5:7052740.4刘彬瀚,王智伟,方秀端.协同模式识别方法综述J .系统工程与电子技术,2003,25(6:7582762.5徐春明,张天平,王正群,郭亚琴.基于协同学的人脸分类集成.扬州大学学报(自然科学版.2006,5Vol.9No .26牛丽平,郭新志.融合小波子带与贝叶斯的人脸识别算法J.微计算机信息,2009,1-1:253-2557BAUDAT V,ANOURA F.Generalized discriminant analysis us -ing a ker

20、nel approach J .Neut Comput ,2000,12(10:238522404.8PRABHAKAR S,JAIN A K.Decision 2level fusion in biometric verification J.Patt Recog ,2002,35(4:8612874.作者简介:高晓兴(1967-,男(汉族,辽宁省沈阳市人,东北大学软件学院副院长,副教授,博士研究生,研究方向为网络安全和图像处理;李仁睦(1982-,男(汉族,辽宁省大连市人,东北大学软件学院06级软件工程硕士,研究方向为图像处理;王文佳(1982-,女(汉族,辽宁省大连市人,东北大学软件学院

21、06级软件工程硕士,研究方向为图像处理;常桂然(1946-,男(汉族,河北曲周人,东北大学教授,博士生导师。Biography:GAO Xiao -xing (1967-,male (Han,Shenyang Liaon -ing,Doctor,Associate Professor,Deputy Dean of Northeastern University of software,major in network security and image pro -cessing.(110004辽宁沈阳东北大学软件学院高晓兴李仁睦王文佳常桂然(Software College Northeas

22、tern University,Shenyang,110004,ChinaGAO Xiao -xing LI Ren -mu WANG Wen -jia CHANG Gui-ran通讯地址:(110004东北大学信息学院王文佳(收稿日期:2009.03.16(修稿日期:2009.06.16(上接第70页参考文献1Vishal Misra,Wei -Bo Gong,Don Towsley.Fluid -based Analysis of a Network of AQM Routers Supporting TCP Flows with an Application to REDJ.SIGCOM

23、M '00,Stockholm,Sweden.2C.V.Hollot,V.M., D.Towsley,and W.B.Gong.Analysis and Design of Controllers for AQM Routers Supporting TCP Flows J.IEEE TRANSACTIONS ON AUTOMATIC CONTROL 2002,47(6.3任丰原,王福豹,任勇,山秀明.主动队列管理中的PID 控制器J.电子与信息学报,2003,25(1:94-99.4胡勇,李训铭,高莉莎.基于NS2的改进队列管理算法及其实现J.电力自动化设备,2008,28(1:90-93.5王永骥,涂健编著.神经元网络控制.北京:机械工业出版社,19986于斌,孙斌,温暖等编著.NS