基于PCA余像空間的ICA混合特征人臉識(shí)別方法

本文格式為Word版，下載可任意編輯——基于PCA余像空間的ICA混合特征人臉識(shí)別方法

第7期武妍等:基于PCA余像空間的ICA混合特征人臉識(shí)別方法

上的投影Rrsd:

Rrsd=UM2Xrsd

T

1609

ordereigenface)的人臉識(shí)別方法,該方法通過(guò)丟棄1階特征臉

方法得到的前數(shù)個(gè)反應(yīng)光照信息的特征臉,戰(zhàn)勝光照干擾的影響。

圖1中,(a)是YALE人臉庫(kù)中某5個(gè)人的原始人臉圖像,不同于基礎(chǔ)人臉庫(kù)ORL庫(kù),Yale庫(kù)中的人臉圖像普遍受

光照干擾因素的影響比較明顯;(b)是對(duì)應(yīng)(a)的使用主元分析法得到的1次主元特征臉集中前6個(gè)對(duì)應(yīng)較大特征值的特征臉重建的人臉圖像;而(c)則是對(duì)應(yīng)(a)的基于2階特征臉?lè)椒ǖ闹亟ㄈ四?在本文中我們稱其為PCA余像?？梢钥吹?(c)中的PCA余像包含了原始人臉圖像的大部分高頻身份特征信息,而由前6個(gè)PCA主元重構(gòu)的人臉圖像(b)則較為模糊,包含的身份特征明顯少于光照變化等干擾特征。這也從直觀上說(shuō)明白2階特征臉?lè)椒ǖ暮侠硇院陀行?/p>

。

(4)

同時(shí)對(duì)UM2作獨(dú)立元分析得到獨(dú)立元特征SM2=[s1,s2,…,sM2],Rrsd在SM2上的投影Frsd為:

Frsd=SM2Rrsd

T

(5)

這里得到的Frsd就是人臉圖像基于PCA余像空間的獨(dú)立元特征。

2.2基于混合特征的NFL人臉識(shí)別

本文采用最近鄰特征線(NearestFeatureLine,NFL)分類器[12]進(jìn)行最終的人臉識(shí)別,該方法具有實(shí)現(xiàn)簡(jiǎn)單、識(shí)別效果好的特點(diǎn)。

綜合了基于PCA余像空間的獨(dú)立元特征(Frsd)和原始人臉圖像的獨(dú)立元特征,NFL,2階特征臉?lè)椒?/p>

PCA,,使得本。

設(shè)δdist(x,xt)表示待匹配人臉x和模板人臉xt在特征空間中的距離,我們采用的是歐氏距離作為度量范數(shù):δ-y′dist(x,xt)=w1‖y-yt‖+w2‖y′t‖

(6)

其中y和yt分別代表原始待匹配人臉x和模板人臉xt的獨(dú)立元特征投影,而y′和y′t則代表待匹配人臉x和模板人臉

xt依據(jù)2.1所述方法得到的基于PCA余像空間的獨(dú)立元特征

圖1原始人臉圖像和相應(yīng)的重建人臉圖像及PCA余像

投影,系數(shù)w1和w2反應(yīng)了這兩種特征的重要程度。對(duì)于光照變化較大的人臉圖像,訓(xùn)練得到的w2相對(duì)較大,由此得到的δdist(x,xt)具有較強(qiáng)的抗光照變化干擾的能力,進(jìn)而能夠得到更佳的識(shí)別效果;而對(duì)于光照影響不大的人臉圖片,訓(xùn)練得到的較小w2可有效提高該方法的整體識(shí)別效果。本文涉及的人臉識(shí)別屬于有監(jiān)視的模式識(shí)別問(wèn)題,故可采用梯度下降的方法確定w1和w2的最優(yōu)值,令w1=1-w2,w2取介于0.01和0.99之間的某個(gè)隨機(jī)值,依據(jù)由此得到的δdist(x,xt)計(jì)算識(shí)別率,并遵循最優(yōu)識(shí)別率的原則優(yōu)化調(diào)整w2的取值,最終獲得最正確的w1,w2。定義以下的準(zhǔn)則函數(shù)J:

δ∑∑

J(w1,w2)=I(w2)=

i=j=N

M

dist

本文在2階PCA人臉識(shí)別方法的基礎(chǔ)上,提取基于PCA余像空間的ICA特征,并綜合原始人臉圖像的獨(dú)立元特征得到混合特征作為最終的識(shí)別特征送入分類器進(jìn)行識(shí)別。2階

PCA人臉識(shí)別方法對(duì)丟棄前幾個(gè)特征臉后得到的“余特征臉

集〞進(jìn)行2次主元分析,而本文則采用獨(dú)立元分析法對(duì)“余特征臉集〞進(jìn)行2次分析。由于ICA綜合提取了人臉圖像的2階和高階統(tǒng)計(jì)信息,因而使得本方法能夠得到高于2階特征臉?lè)椒ǖ淖R(shí)別率。

2.1PCA余像空間的獨(dú)立元特征提取

設(shè)存在經(jīng)中心化的人臉樣本集X=[x1,x2,…,xM],對(duì)

X作主元分析得到主元特征臉集,令其依對(duì)應(yīng)特征值由大到

(xi,xpij)

小排序后得到的特征臉集為V=[v1,v2,…,vM],選取前M1個(gè)較大特征值對(duì)應(yīng)的特征臉組成特征臉集VM1=[v1,v2,…,vM1](M1νM),則X在VM1上的投影RM1為:

RM1=VM1X

T

NM

(7)

其中xpij表示與xi相匹配的點(diǎn)(屬于同一個(gè)人的人臉),M是每類模板樣本的個(gè)數(shù),N是待匹配樣本的個(gè)數(shù)。

通過(guò)梯度下降法[14]依據(jù)(8)式調(diào)整w2從而最小化(7)式,其中w2n和w2n+1分別代表本輪和下一輪訓(xùn)練時(shí)w2的取值。學(xué)習(xí)率參數(shù)η取0.00005(屢屢嘗試獲得的經(jīng)驗(yàn)值,能保證w2較快地收斂到較優(yōu)的值)。對(duì)于直觀上光照變化較明顯的人臉圖片,w0.50,0.99]之間的一隨機(jī)數(shù),而對(duì)2取介于[0于直觀上光照變化不太明顯的人臉圖片,w0.01,2取介于[0

0.50]之間的一隨機(jī)數(shù)。

w2

n+1

(1)

依據(jù)原始人臉圖像X在VM1上的投影RM1對(duì)原始人臉圖像X進(jìn)行重構(gòu):

Xrc=VM1RM1=VM1VM1X

T

(2)

依據(jù)式(2)得到的重構(gòu)人臉圖像Xrc包含了人臉圖像中大量光照敏感信息,用原始人臉圖像X減去重構(gòu)人臉圖像Xrc得到Xrsd:

Xrsd=X-Xrc=[Δx1,Δx2,…,ΔxM]

(3)

=w2-n

我們稱Xrsd為人臉圖像的PCA余像,它位于由剩余的特征臉集VN=[vM1+1,vM1+2,…,vM]所張成特征的空間,該空間則稱為PCA余像空間(PCAresidualfacespace)。

我們對(duì)余像特征臉集VN作獨(dú)立元分析,即選取VN中靠前的M2個(gè)特征向量UM2=[u1,u2,…,uM2],并作Xrsd在UM2

(

n=0,1,2,…)n

5w2

(8)

3試驗(yàn)和結(jié)果分析

試驗(yàn)選用了3個(gè)不同的人臉庫(kù)來(lái)驗(yàn)證本文方法的有效性。人臉庫(kù)1是ORL庫(kù),人臉庫(kù)2是YALE庫(kù),這兩個(gè)人臉庫(kù)是目前國(guó)際上較為通用的檢驗(yàn)人臉識(shí)別方法效率的公共庫(kù),具有代

1610計(jì)算機(jī)應(yīng)用2023年

表性,較之ORL庫(kù),YALE庫(kù)具有更豐富的光照變化因素,在試驗(yàn)中更能表達(dá)本方法的優(yōu)勢(shì);人臉庫(kù)3是NAROD試驗(yàn)室的人臉庫(kù),其光照變化較之YALE庫(kù)更為猛烈,選用該光照變化猛烈的人臉庫(kù)進(jìn)行試驗(yàn)對(duì)比,可以進(jìn)一步說(shuō)明本文方法的有效性。圖2是分別取自這3

個(gè)不同人臉庫(kù)的人臉圖像樣本。

含15個(gè)人,每人11張圖片,共165張人臉圖片,全選所有15個(gè)人,每人隨機(jī)選取5張圖片作為訓(xùn)練樣本,而剩余的6張作為測(cè)試樣本;庫(kù)3(NAROD庫(kù))含有20個(gè)人,每人含有3～10張數(shù)目不等的人臉圖片,總共124張人臉圖片,假定某個(gè)人在庫(kù)中含有2n張人臉圖片(n=(2,…,5)),則隨機(jī)選取其中

n張作為訓(xùn)練樣本,剩余n張作為測(cè)試樣本;假定某個(gè)人在庫(kù)

中含有2n+1張人臉圖片(n=(1,……5)),則隨機(jī)選取其中

n張作為訓(xùn)練樣本,剩余n+1張作為測(cè)試樣本,最終我們得到

NAROD庫(kù)訓(xùn)練樣本集的樣本總數(shù)為58,測(cè)試樣本集的樣本

總數(shù)為66。

表1試驗(yàn)使用的3個(gè)不同的人臉庫(kù)

庫(kù)編號(hào)庫(kù)1(ORL)

(Y))

人數(shù)訓(xùn)練集樣本總數(shù)測(cè)試集樣本總數(shù)

40200)75)

200(405)

90(156)

66

/主元個(gè)數(shù)以達(dá)

2到最好的效果,庫(kù)1含200個(gè)訓(xùn)練樣本,故最終選取200個(gè)獨(dú)立元/主元;庫(kù)2含75個(gè)訓(xùn)練樣本,相應(yīng)地選取75個(gè)獨(dú)立元/主元;庫(kù)3含58個(gè)訓(xùn)練樣本,應(yīng)選擇58個(gè)獨(dú)立元/主元進(jìn)行特征映射。

庫(kù)1(ORL庫(kù)),10張人臉圖片,共400張人臉圖片,全取所有40個(gè)人,每人隨機(jī)選取5張圖片作為

訓(xùn)練樣本,剩余的5張圖片作為測(cè)試樣本;庫(kù)2(YALE庫(kù))共

表2試驗(yàn)結(jié)果

本文方法

丟棄的使用的主元數(shù)

10913

2階PCA

PCA/ICA

庫(kù)

庫(kù)1(ORL庫(kù))

庫(kù)2(YALE庫(kù))庫(kù)3(NAROD庫(kù))

w1∶w2

識(shí)別率

(%)97.0093.3181.91

丟棄的

10913

使用的

2023558

識(shí)別率

(%)95.5091.1174.24

使用基元數(shù)

2023558

識(shí)別率

(%/%)94.40/95.6487.10/92.0066.67/75.80

獨(dú)立元數(shù)

2023558

主元數(shù)獨(dú)立元數(shù)

0.83∶0.170.36∶0.640.07∶0.93

表2是試驗(yàn)結(jié)果,其識(shí)別率是15次隨機(jī)試驗(yàn)的平均結(jié)果。指標(biāo)“丟棄的主元數(shù)〞表示從“1次PCA主元特征臉集〞中去除的代表光照變化的主元數(shù)目,對(duì)于光照變化猛烈的人

臉庫(kù)(w2相對(duì)w1較大),則“丟棄的主元數(shù)〞與“使用的獨(dú)立元數(shù)/主元數(shù)〞的比值相對(duì)較大;相反,則該比值相對(duì)較小,而

w2相對(duì)w1也較小。如表2所示,對(duì)光照變化最為猛烈的

化不太明顯的ORL庫(kù),盡管識(shí)別率上的差距并不顯著,但是本文所采用的基于混合特征的識(shí)別方法仍使識(shí)別率保持在

97%左右,這也表達(dá)了本文提出的基于PCA余像空間的ICA

混合特征識(shí)別方法具有較強(qiáng)的適應(yīng)性。

在識(shí)別效率方面,由于本方法是基于PCA余像空間的

ICA混合特征識(shí)別,人臉圖像通過(guò)PCA余像空間投影和之后

NAROD庫(kù),基于PCA余像空間的獨(dú)立元特征在混合特征中的獨(dú)立元特征抽取,其特征維數(shù)已大大降低,將得到的混合特征送入最近鄰特征線分類器進(jìn)行分類識(shí)別,在算法的識(shí)別效率上與傳統(tǒng)基于單純獨(dú)立元分析的人臉識(shí)別方法相近,但卻能獲得更佳的識(shí)別效果和更好的抗外界因素干擾能力。

所占的比例最大(w2=0.93),它表示光照因素對(duì)整個(gè)人臉圖像的影響較大,而對(duì)于ORL庫(kù),該比例僅為0.17(w2=

0.17)。

從表2可以看到,對(duì)于光照變化較大的YALE庫(kù),2階

PCA方法由于考慮到了光照干擾的影響,較之傳統(tǒng)基于特征

4結(jié)語(yǔ)

本文提出了基于PCA余像空間的ICA人臉識(shí)別方法,通過(guò)對(duì)1次主元分析后得到的余像特征臉集作獨(dú)立元分析

,得到人臉圖像基于PCA余像空間的ICA特征投影,然后與原始人臉圖像的獨(dú)立元特征投影進(jìn)行加權(quán)求和得到混合特征,將混合特征送入NFL分類器進(jìn)行識(shí)別。該方法能有效戰(zhàn)勝人臉圖像受光照、人臉神態(tài)變化等干擾因素的影響。試驗(yàn)說(shuō)明,相對(duì)于傳統(tǒng)基于特征臉的1階PCA人臉識(shí)別方法以及基于2階特征臉的人臉識(shí)別方法,該方法具有較強(qiáng)的抗外界干擾能力和適應(yīng)性,是一種有效的人臉識(shí)別方法。

下一步的工作希望通過(guò)適當(dāng)方法自動(dòng)確定光照對(duì)人臉圖

(下轉(zhuǎn)第1631頁(yè))

臉的識(shí)別方法的識(shí)別率要高出5個(gè)百分點(diǎn)還多,而傳統(tǒng)基于獨(dú)立元分析法的人臉識(shí)別方法在識(shí)別率上稍高于2階PCA,這說(shuō)明在表現(xiàn)人臉神態(tài)、角度變化上,獨(dú)立元特征較之主元特征更具優(yōu)勢(shì),它也從某個(gè)角度反應(yīng)了人臉的某些重要特征包含在高階統(tǒng)計(jì)信息當(dāng)中。而本文方法不僅考慮到了光照影響,而且對(duì)PCA余像空間進(jìn)行分析的獨(dú)立元分析法提取出有效的人臉圖像高階統(tǒng)計(jì)特征信息,這使得本文方法在識(shí)別率上高出2階PCA近2個(gè)百分點(diǎn),同時(shí)稍高于基于ICA的人臉識(shí)別方法。

而對(duì)于光照變化更為猛烈的NAROD人臉庫(kù),從表2的最終一行可以看到,本文方法的優(yōu)勢(shì)更加明顯。對(duì)于光照變

第7期陳良育等:基于圖形理解的漢字構(gòu)形自動(dòng)分析系統(tǒng)1631

的位置關(guān)系,產(chǎn)生漢字部件構(gòu)形描述。通過(guò)這個(gè)結(jié)果,可以直接統(tǒng)計(jì)出漢字部件頻率;在文獻(xiàn)[7]的基礎(chǔ)上,可以產(chǎn)生漢字?jǐn)?shù)學(xué)表達(dá)式,可進(jìn)一步用于漢字加密、壓縮、

傳輸?shù)劝踩I(lǐng)域。

將所有28120張構(gòu)件圖片進(jìn)行部件組成和組合,產(chǎn)生漢

字的部件描述,經(jīng)過(guò)驗(yàn)證,有效率達(dá)90%以上。在漢字部件描述中,可以利用部件間的位置關(guān)系,得到漢字部件結(jié)構(gòu)位置關(guān)系,統(tǒng)計(jì)得到漢字上下型結(jié)構(gòu)1565字,有效率達(dá)99%。

根據(jù)漢字部件描述可以得到漢字部件統(tǒng)計(jì),表2是對(duì)GB2312280字符集一些漢字部件的統(tǒng)計(jì)