基于WPT_PCA的特征級(jí)融合人臉識(shí)別方法_圖文

1、第31卷 第17期2009年9月武 漢 理 工 大 學(xué) 學(xué) 報(bào)JOURNAL OF WUHAN UNIVERSITY OF TECHNOLOGY Vo l. 31 N o. 17 Sep. 2009DOI:10. 3963/j. issn. 1671 4431. 2009. 17. 036基于WPT/PCA 的特征級(jí)融合人臉識(shí)別方法郭志強(qiáng), 楊 杰, 柳步蔭(武漢理工大學(xué)信息工程學(xué)院, 武漢430070摘 要: 提出一種基于小波包和PCA 變換相結(jié)合的特征級(jí)融合人臉識(shí)別方法, 首先對(duì)人臉圖像進(jìn)行二維小波包分解, 對(duì)分解后的低頻子圖進(jìn)行P CA 分解, 得低頻主分量, 然后選取含有豐富人臉特征的

2、高頻子圖進(jìn)行加權(quán)融合, 對(duì)融合后的高頻子圖再進(jìn)行PCA 分解, 得高頻主分量, 最后對(duì)高低頻主分量進(jìn)行融合處理, 得最終的鑒別特征。分別在O RL 和YaleA 人臉庫(kù)上進(jìn)行試驗(yàn), 實(shí)驗(yàn)結(jié)果表明該方法提高了識(shí)別率。關(guān)鍵詞: 小波包分解; 特征融合; 主成分分析中圖分類(lèi)號(hào): T P 391. 4文獻(xiàn)標(biāo)識(shí)碼: A 文章編號(hào):1671 4431(2009 17 0131 04Feature Fusion Face Recognition Based on WPT and PCAG UO Zhi qiang , YAN G J ie, LI U Bu y in(Schoo l of Infor mat

3、ion T echno logy, Wuhan U niversity of T echnolo gy, Wuhan 430070, ChinaAbstract: A method of feature fusion face recognition based on wavelet pack transfor m and principal component analysis is pro posed. First , each face images was decomposed into sixteen sub image by using two dimensio nal discr

4、 ete wavelet trans for m. , and then PCA w as using to ex tract the feature of low frequency sub image. Selecting the high frequency sub images in cluding abundant of human face info rmat ion to combined, then PCA w as using to extr act the feature of high frequency fusio n image. All the extr acted

5、 features were further fused and used fo r face classification. T he ex perimental on the ORL face database and YaleA face database show that the met hod can r each a higher recog nition rate.Key words: w avelet pack transfor m; feature fusion; pr inciple component analysis收稿日期:2009 04 14.基金項(xiàng)目:國(guó)家自然科

6、學(xué)基金(50775167 和湖北省科技攻關(guān)項(xiàng)目(No2007A101C52 . :( , , 博. E w hut. edu. 如何從人臉圖像中提取最有效的識(shí)別特征是人臉識(shí)別系統(tǒng)設(shè)計(jì)的關(guān)鍵。目前主要有2類(lèi)方法:基于幾何特征提取方法和基于代數(shù)特征的提取方法。Buhr 1用圖示法和描述樹(shù)法提取出人臉的33個(gè)主要特征和12個(gè)次要特征, 并測(cè)試了其效性, 基于幾何的特征提取比較困難。Turk 和Pentland 2利用向量的KL 分解思想, 提出了著名特征臉的人臉識(shí)別方法, 開(kāi)創(chuàng)了人臉圖像代數(shù)特征提取方法的先河。之后, Belhum eur 3提出了fisherface 人臉特征提取方法。上述2種方法

7、的優(yōu)點(diǎn)是利用了人臉圖像的整體特征, 特征提取較為容易, 但都需把圖像首先拉直成向量, 向量的維數(shù)往往很高, 這樣帶來(lái)的計(jì)算量很大, 而且會(huì)造成所謂的小樣本問(wèn)題。CH IEN 等4 6提出的小波變換人臉識(shí)別方法, 則直接保留了代表圖像低頻信息的小波系數(shù), 達(dá)到了降維的目的。但這些算法的基本出發(fā)點(diǎn)是認(rèn)為圖像的低頻部分代表了人臉的本質(zhì), 而高頻圖像代表了噪聲等冗余信息不利于人臉圖像的分類(lèi)。事實(shí)上, 圖像的高頻部分不僅包含了光照、表情變化等冗余信息, 同時(shí)還包含了具有鑒別力的有用信息, 對(duì)提高人臉的識(shí)別率有重要作用。文中提出一種基于小波包分解的人臉特征提取方法, 既對(duì)圖像進(jìn)行了降維, 又從圖像的高頻部

8、分提取出有鑒別力的信息, 有效地提高了識(shí)別率。1 人臉圖像的小波包分解正交小波變換的多分辨率分析, 只是對(duì)尺度空間進(jìn)行分解, 而沒(méi)有對(duì)小波空間進(jìn)行分解。作為小波變換的推廣, 小波包變換對(duì)小波空間進(jìn)行了細(xì)分, 從而達(dá)到提高頻率分辨率的目的。圖像的小波包分解首先將原始圖像分解成1個(gè)低頻子圖和3個(gè)高頻子圖, 然后對(duì)4個(gè)子圖再進(jìn)行小波分解, 與正交小波變換最大的區(qū)別就是不僅對(duì)低頻子圖進(jìn)行分解, 同時(shí)還對(duì)高頻子圖進(jìn)行分解。小波包的分解樹(shù)見(jiàn)圖1, 由此可見(jiàn)小波包分解是對(duì)圖像的多層次分解, 能對(duì)圖像的高頻成分進(jìn)行細(xì)化, 有利于提取包含在高頻成分里的有用信息。圖2為一原始人臉圖像A , 2層小波包分解的得16

9、幅不同頻帶的子圖, 如圖3所示, 從左至右依次命名為A l 和A i h (i =1, 2, , 15 , 其中A l 為圖像的低頻分量, 代表了圖像的近似, A i h 為圖像的高頻分量代表了圖像的細(xì) 節(jié)。2 PCA 變換的人臉識(shí)別原理PCA 變換也稱(chēng)KL 變換, 是模式識(shí)別中常用的降維方法。設(shè)有( 1, 2, , c c 個(gè)已知模式類(lèi)別, 第i 類(lèi)的訓(xùn)練樣本數(shù)為n i , 全體訓(xùn)練樣本數(shù)為n 。第i 類(lèi)第j 個(gè)樣本B j i (i =1, 2, , c; j =1, 2, , n i , 為m n 的二維圖像, 把圖像拉直為M =m n 的一維向量x i (i =1, 2, , n 。定義

10、全體訓(xùn)練樣本的協(xié)方差矩陣為C =n ! ni=1(x i - x (x i - x T =nT (1 其中 x 為所有訓(xùn)練樣本的均值, 求協(xié)方差矩陣C 的所有特征值 i (i =1, 2, , M 和特征向量v i (i =1, 2, , M , 對(duì)特征向量從大到小排序 1 2 3 M , 選其前l(fā) (l M 個(gè)較大特征值對(duì)應(yīng)的特征向量組成特征空間V =v 1, v 2, , v l , 則每個(gè)樣本圖像在特征空間的投影系數(shù)為y i =V T x i i =1, 2, , n(2 y i 的維數(shù)為l, 遠(yuǎn)遠(yuǎn)小于始原圖像向量x i 的維數(shù)M , 從而實(shí)現(xiàn)特征壓縮的目的。識(shí)別時(shí)將待測(cè)樣本投影到特征空

11、間, 待測(cè)樣本的特征向量, 然后用最鄰近法判別其所屬類(lèi)別。3 特征融合人臉識(shí)別人臉識(shí)別面臨的一個(gè)基本的問(wèn)題就是高維小樣本問(wèn)題, 即訓(xùn)練樣本的數(shù)量遠(yuǎn)遠(yuǎn)小于人臉的特征維數(shù), 從而形成了人臉圖像的類(lèi)內(nèi)散布矩陣奇異。解決這一問(wèn)題的思想是在盡可能不損失人臉識(shí)別信息的情況下, 對(duì)圖像向量進(jìn)行降維處理。傳統(tǒng)的基于小波變換的人臉識(shí)別方法就是對(duì)人臉圖像進(jìn)行小波分解, 保留其低頻成份, 然后再對(duì)低頻成分進(jìn)行二次特征提取。這一方法的一個(gè)前提是認(rèn)為, 圖像的高頻成分只代表了人臉圖像的光照、姿態(tài)、表情等的變化, 對(duì)人臉圖像的分類(lèi)不利, 去掉高頻分量并不影響人臉的識(shí)別率。但吳7通過(guò)研究發(fā)現(xiàn), 人臉圖像的高頻同樣包含了具有

12、鑒別力的人臉信息, 因此完全放棄高頻成分實(shí)際上是放棄一部分具有鑒別力的信息, 從而會(huì)使識(shí)別率降低。觀點(diǎn)是:人臉圖像的高頻成分既含有包含有利于分類(lèi)的人臉信息, 又有不利于分類(lèi)的干擾信息?，F(xiàn)在的問(wèn)題是如何從圖像的高頻成份中提取出有利于人臉識(shí)別的信息, 放棄不利于識(shí)別的干擾成分。從第1節(jié)知道, 小波包變換每次分解時(shí)不僅對(duì)上一次的低頻圖像進(jìn)行分解, 同時(shí)也對(duì)高頻圖像進(jìn)行分解, 實(shí)現(xiàn)對(duì)圖像的所有頻率分量都進(jìn)一步細(xì)化, 從而可以利用小波包變換這一特性, 提取出有利于人臉?lè)诸?lèi)的信息。如圖3所示, 原始圖像經(jīng)過(guò)2層小波包分解, 得到16個(gè)子圖像, 其中1號(hào)子, 132 武 漢 理 工 大 學(xué) 學(xué) 報(bào) 2009

13、年9月可以看出, 部分圖像仍保留較完整的人臉信息, 通過(guò)目測(cè)2至5號(hào)子圖人臉信息較完整, 其它圖像相對(duì)模糊, 部分圖像幾乎看不出臉形。因此, 認(rèn)為2層小波包分解后, 第2至5號(hào)圖像仍包含有有利于分類(lèi)的信息, 應(yīng)當(dāng)保留。為了從理論上說(shuō)明這樣選擇的合理性, 引入一個(gè)相似度函數(shù)K q=! M i=1! N j =1A (i, j 2-A q (i , j 2 q =1, 2, , 16(3 其中, A (i, j 代表原圖像, A q (i , j 代表小波包分解各子圖像, 相似度函數(shù)的物理意義是各子圖與原圖的能量相似程度, 也就是各子圖與原人臉圖像的逼近程度。從式(3 中可以看出K q 的值越小表

14、示各子圖像與原圖像的相似度越大, 則認(rèn)為子圖像包含的人臉信息越豐富。通過(guò)計(jì)算K q 值如表1所示, 從表1中可以看出隨著序號(hào)的增加在加大。綜合目測(cè)和相似度函數(shù)的計(jì)算結(jié)果, 選取1、2、3、4、5號(hào)子圖作為圖像的原始特征, 其中1號(hào)為圖像的低頻子圖, 包含了人臉的本質(zhì)特征, 2至5號(hào)子圖為圖像的高頻子圖, 也包含有助于提高識(shí)別率的信息。由于經(jīng)過(guò)2層小波包分解后, 各子圖的維數(shù)依然較高, 直接進(jìn)行分類(lèi)計(jì)算量較大, 所以對(duì)分解后的子圖需要進(jìn)行降維處理。方法如下:對(duì)1號(hào)子圖采用PCA 進(jìn)行降維, 得低頻子圖的主分量; 求2至5號(hào)子圖像加權(quán)平均圖像, 然后再對(duì)平均圖像進(jìn)行PCA 降維, 得高頻子圖像的主

15、分量; 最后對(duì)高低頻圖像主分進(jìn)行融合處理, 得最終的鑒別向量用于分類(lèi)。綜上所述, 利用小波包分解的人臉識(shí)別算法的步驟如下:特征提取階段:1 對(duì)所有訓(xùn)練樣本A 進(jìn)行2層小波包分解得A l 與A q h , q =2, , 16; 2 采用式(4 求2至5號(hào)高頻子圖的加權(quán)平均圖像。A h = A 2h +! A 3h +A 4h +#A 5h , +! +#=1(4 3 分別對(duì)A l 、A h 進(jìn)行PCA 變換, 得高頻子圖與低頻子圖的主分量Y l 與Y h ; 4 對(duì)Y l 與Y h 采用式進(jìn)行融合處理, 融合公式如式(5 所示, 得最終的鑒別向量YY =Y l +(1- Y h (5識(shí)別階段:

16、1 對(duì)所有測(cè)試樣本B 進(jìn)行2層小波包分解得B l 與B q h , q =2, , 16; 2 用式(4 求后2至5號(hào)高頻子圖的平均圖像; 3 分別對(duì)B l 、B h 進(jìn)行PCA 變換, 得高頻子圖與低頻子圖的主分量Z l 與Z h ; 4 利用式(5 對(duì)Z l 與Z h 采用式進(jìn)行融合處理, 得最終的鑒別向量Z ; 5 采用3階鄰近對(duì)測(cè)試樣本進(jìn)行分類(lèi)。由于該算法是先對(duì)圖像進(jìn)行小波包分解, 先對(duì)低頻圖像進(jìn)行PCA 變換, 然后對(duì)圖像高低頻圖像分別是PCA 變換, 因此稱(chēng)其為WP2PCA, 相應(yīng)的把對(duì)小波包分解, 只對(duì)低頻圖像進(jìn)行PCA 變換, 用于識(shí)別的方法稱(chēng)為WPPCA 。表1 K q 的計(jì)

17、算結(jié)果子圖序號(hào)12345678K q1. 14 1071. 69 1072. 40 1073. 42 1073. 76 1074. 59 1075. 49 1075. 62 107子圖序號(hào)910111213141516K q 6. 14 1076. 45 1077. 25 1078. 24 1079. 26 1079. 83 10711. 22 10712. 08 1074 仿真實(shí)驗(yàn)與分析在Pentium(R 4CPU 2. 4GHz, 256M 內(nèi)存, Window s XP 操作系統(tǒng), Matlab7. 0環(huán)境下進(jìn)行了仿真實(shí)驗(yàn)。其中選取參數(shù), =! =#=0. 25, =0. 5, 分類(lèi)器

18、采用3階鄰近作為準(zhǔn)則, 距離為歐氏距離。分別在ORL 與YaleA 人臉庫(kù)上對(duì)PCA 、WPPCA 、WP2PCA 進(jìn)行了識(shí)別率的測(cè)試。實(shí)驗(yàn)1 ORL 數(shù)據(jù)庫(kù)ORL 數(shù)據(jù)庫(kù)包含了40個(gè)不同人臉, 每人10幅圖像, 共400幅圖像, 每幅圖像的大小為112 92, 該庫(kù)包含了不同時(shí)間, 不同視角, 不同表情(閉眼、睜眼、微笑、吃驚、生氣、憤怒、高興 和不同臉部細(xì)節(jié)(戴眼鏡、沒(méi)戴眼鏡、有胡子、沒(méi)胡子、不同發(fā)型 的條件下拍攝的, 數(shù)據(jù)庫(kù)部分人臉圖像如圖4 所示。在ORL 每類(lèi)訓(xùn)練樣本取5, 對(duì)應(yīng)的測(cè)試樣本分別取5, 抽取和特征維數(shù)(即對(duì)應(yīng)的投影空間向量數(shù) 分別133第31卷 第17期 郭志強(qiáng), 楊

19、杰, 柳步蔭:基于WPT /PCA 的特征級(jí)融合人臉識(shí)別方法為10、20、30、40、50、60、70、80、90、100、110、120, 采用3階鄰近法進(jìn)行分類(lèi)。采用PCA 、WPPCW 、WP2PCA 3種方法隨識(shí)別率隨特征維數(shù)的變化曲線(xiàn)如圖5所示。從實(shí)驗(yàn)結(jié)果可以看出,WP2PCA 的識(shí)別率開(kāi)始小于PCA 與WPCA, 但當(dāng)特征維數(shù)超過(guò)50時(shí), WPWPA 的識(shí)別率達(dá)到并逐漸超過(guò)PCA 與WPPCA,其最高識(shí)別達(dá)88. 5%, 超過(guò)了PCA 的88%和WPPCA 的87. 5%。實(shí)驗(yàn)2 YaleA 庫(kù)YaleA 庫(kù)由15個(gè)不同的人, 每個(gè)人11幅圖像組成, 包含了較大的光照和表情的變化,

20、 對(duì)該庫(kù)通過(guò)雙眼定位, 提取人臉部分, 并把每一幅圖像歸一化到46 58, 部分圖像如圖6 所示。在YaleA 每類(lèi)訓(xùn)練樣本取6, 對(duì)應(yīng)的測(cè)試樣本分別取5, 抽取和特征維數(shù)(即對(duì)應(yīng)的投影空間向量數(shù) 分別為5、10、15、20、25、30、35、40、45、50, 采用PCA 、WPPCW 、WP2PCA 3種方法隨識(shí)別率隨特征維數(shù)的變化曲線(xiàn)如圖7所示。從實(shí)驗(yàn)結(jié)果可以看出, WPPCA 與WP2PCA 的最高識(shí)別率都高PCA 近2%, 盡管WP2PCA 與WPPCA 的最高識(shí)別率都為90. 7%, 但WP2PCA比WPPCA 的優(yōu)勢(shì)是當(dāng)特征維數(shù)為15時(shí)就達(dá)到最高識(shí)別率90. 7%, 而WPPCA

21、 當(dāng)特征維數(shù)為20時(shí), 才達(dá)到最識(shí)別率90. 7%。隨著特征維數(shù)的增加, 3種方法的識(shí)別率都呈下降趨勢(shì), 這也說(shuō)明隨著特征維數(shù)的增加, 一些冗余信息也隨之增加,從而使識(shí)別率下降。5 結(jié) 語(yǔ)提出了基于小波包與PCA 分解相結(jié)合的特征級(jí)融合人臉識(shí)別方法, 該方法與傳統(tǒng)小波變換人臉識(shí)別主要區(qū)別是于充分利用了圖像的高頻信息, 利用小波包對(duì)高頻分量細(xì)化的特點(diǎn), 提取出有助于提高識(shí)別率的高頻分量。利用高頻分量的有效信息與低頻分量的特征進(jìn)行融合, 從而達(dá)到提高識(shí)別率的目的。通過(guò)在ORL 與YaleA 人臉庫(kù)的測(cè)試, 證明了方法的有效性, 尤其在YaleA 人臉庫(kù)中, 最高識(shí)別率比PCA 高近2%點(diǎn), 表明該方法對(duì)光照有較的魯棒性。需要指出的是, 在實(shí)驗(yàn)時(shí)對(duì)融合參數(shù)的選擇只取了直接平均, 如果在對(duì)參數(shù)進(jìn)行有優(yōu)化選擇, 還會(huì)取得更好的實(shí)驗(yàn)結(jié)果。當(dāng)然, 如何自適應(yīng)的獲取最佳的融合參數(shù), 是今后需要繼續(xù)研究的問(wèn)題。參考文獻(xiàn)1 Buhr R. Alalyze und Classification Von GesichtsbidernJ.NtzArchtv , 1986, 8(10 :245 256.2 T ur k M , Pentland A. Face A rocessing :A M odels for RecognitionJ. Proc I ntelli