基于相位一致性圖像的模塊化ＰＣＡ人臉識別方法

摘要：提出了一種新的基于相位一致性的模塊化PCA的人臉識別方法。解決了人臉識別受光照影響的問題。首先得到人臉訓練樣本的相位一致性圖像；然后將人臉相位一致性圖像劃分為更小的子模塊，用PCA方法處理這些子模塊圖像。在姿勢、光照以及表情變化的情況下同一個人的局部面部特征是不變的，因此用該方法來處理這些變化。給出了傳統的模塊化PCA方法與該方法在不同姿勢、光照和表情變化條件下的對比實驗結果。實驗結果表明該方法的人臉識別率較傳統模塊化PCA方法有了較大提高。

關鍵詞：人臉識別；主成分分析；模塊化主成分分析；相位一致性

中圖分類號：TP391文獻標志碼：A

文章編號：1001－3695(2008)01－0318－03

由于臉形的相似以及同一張臉圖像的無數變化，使得人臉識別成為一個相當困難的問題。人臉圖像隨著面部表情、光照條件、姿勢等的變化而變化，人臉識別系統的任務就是用一種獨立于這些因素的方式將人臉識別出來。自動的人臉識別被認為是計算機視覺和模式識別中的一個基本問題，許多不同領域的科學工作者都在從事這一方面的研究。一些基于統計的、基于神經網絡的還有基于特征的人臉識別方法相繼被提出來[1]。目前，比較前沿而且識別效果比較好的方法之一就是主成分分析法（PCA）。這是一種統計的方法，將人臉圖像表示成特征向量的一個子集合，稱為特征臉[2~5]。PCA也應用于掌印的識別[6]、手寫體的識別[7]、工業機器人技術[8]以及移動機器人技術[9]。但是結果表明當姿勢變化超過30，光照變化較大時，識別效果很難讓人滿意。研究的主要目標就是要提高識別精度，并且不在受面部表情、光照條件以及姿勢變化的影響。如上所述，PCA和模塊化PCA方法已經廣泛應用于人臉圖像識別當中，但是當光照等條件發生變化時，它們均不能保證足夠的精度。本文研究的目的就是要在表情、光照以及姿勢變化的條件下提高人臉識別的效率。筆者提出了一種新的模塊化方法，它是傳統的PCA方法的改進和延續，它不是對原始人臉圖像的直接處理，而是首先將人臉圖像進行相位一致性的處理，然后將人臉的相位一致性圖像模塊化，再利用PCA的方法進行識別。這樣不但降低了姿勢和表情變化的影響，更重要的是光照條件的影響也將大大減小。實驗表明該方法比傳統的PCA以及單一的模塊化方法有較高的識別效率。

1相位一致性特征

基于梯度的算子關鍵在于尋找具有最大梯度的點，這很難恰當地探測到并局部化圖像特征中的較大部分。與用于識別急劇變化大邊緣探測不同，相位一致性模型是在相位頻譜中探測點序列。根據Oppenheim等人[10]對于傅里葉域的圖像重建過程，相位構成比量級構成更加重要。生理學上也有證據表明人的視覺系統對于相位信息高度有序的圖像中的點有強烈的反應。相位一致性提供了一種獨立于信號的全局量級的方法，使其不隨圖像光照條件發生變化而變化。圖1給出了人臉的原始圖像以及相位一致性圖像。本文使用的相位一致性技術是基于P. Kovesi[11]提出的。

2新的模塊化PCA方法

基于人臉識別的PCA方法在變化的姿勢和光照條件下不是很有效，因為它考慮的是每一幅人臉圖像的全局信息并且用一組權重來表示它們。在這些條件下圖像的權向量將會比正常姿勢和光照下發生相當大的變化，因此很難正確地識別出來。另一方面如果將相位一致性的人臉圖像劃分為更小的區域，針對每一小的區域計算權向量，這樣權重就代表了人臉的局部信息。當出現姿勢或光照變化時，僅僅一部分人臉區域會發生變化，而其余部分仍然保持常規條件下的人臉圖像。這樣不受影響的人臉多個小區域的權重將會與正常條件下同一個人的臉部區域很好地匹配起來，所以改進的模塊化的PCA方法將會得到更高的識別率。如果簡單地直接將人臉圖像分割為更小的區域，人臉的全局信息可能會丟失，識別精度也會降低。本文采取了將預處理后的人臉圖像也即相位一致性圖像模塊化的方法，然后對各個小模塊運用PCA的方法進行處理。

3實驗

3．1人臉圖像數據庫

本文的實驗是在ORL人臉數據庫[12]上進行的。ORL人臉數據庫包含了40個成人的400幅人臉圖像，每個人有10幅。主要包含了因為面部表情和光照條件不同的人臉圖像。每10幅圖像中用7幅作為訓練集，剩下的3幅作為測試集。圖3表示了同一個人的訓練集圖像和測試集圖像。訓練圖像和測試圖像的選擇主要是為了便于三種方法在不均勻的光照和局部閉塞條件下的對比。在訓練和測試識別率的實驗過程中，每次均從每個人的10幅圖像的集合中刪除1幅，重復10次，每次刪除1幅不同的圖像。該測試方法將在后面涉及到。

3．2實驗結果

3．2．1不同M′情況下的結果

本文測試了PCA、傳統模塊PCA和本文提出的新的模塊PCA算法在不同的向量數目下的識別效果。增加特征向量的個數可以提高識別率，但是同時計算成本也會隨著相連個數的增加而線性增長。圖4為三種不同方法在不同的向量數目下的識別率。圖中結果是用ORL數據庫進行測試的。可以看出，隨著M′的增大，PCA和mPCA的識別率均在增長。當M′>30時沒有太大改進；當N=4，16，64，256，1 024時，有相似的結果。實驗表明本文提出的方法（NmPCA）具有更高的識別率。



3．2．2表情變化和不同光照條件下的結果

在本實驗中主要測試了mPCA 和 NmPCA兩種方法下識別率、錯誤識別率和錯誤拒絕率，利用ORL數據庫在不同表情和光照條件下進行測試。訓練圖像和測試圖像按照3．2節進行選擇。圖5給出了mPCA在不同情況下NmPCA的各種實驗結果。

本文提出的方法最大的改進在于不直接對人臉的原始圖像進行模塊化的PCA處理，而是先將其進行預處理也即獲得相位一致性圖像；然后對相位一致性圖像進行模塊化PCA處理，得到了比較高的識別率。

（a） mPCA識別率、誤識率、錯誤拒絕率分別為0.44，0.31，0.24情況下對應NmPCA的值（b） mPCA識別率、誤識率、錯誤拒絕率分別為0.48，0.36，0.16情況下對應NmPCA的值圖5mPCA在不同情況下NmPCA的各種實驗結果

4結束語

本文提出了一種新的模塊化PCA人臉識別方法，它既是對PCA方法的延伸，又是對傳統的模塊化PCA方法的改進。首先對人臉圖像進行的相位一致性處理消除了光照對識別帶來的影響，而模塊化兼顧了圖像的局部特征，降低了姿勢表情因素的影響。實驗表明本文方法的有效性。

參考文獻：

[1]CHELLAPPA R，WILSON C L，SIROHEY S.Human and machine recognition of faces: a survey[J]. Proc IEEE，1995，83(5):705－740.

[2]KIRBY M，SIROVICH L. Application of the karhunen loeve procedure for thecharacterization of human faces[J]. IEEE Trans Pattern Anal MachineIntell，1990，12(1):103 108. 

[3]GRAHAM D B，ALLINSON N M.Characterizing virtual eigen signatures for general purposeface recognition[C]//Proc of Face Recognition: From Theory to Applications， NATO ASI Series F.[S.l.]: Computer and Systems Sciences，1998:446－456.

[4]MOGHADDAM B，PENTLAND A.Probabilistic visual learning for object representation[J]. IEEE Trans Pattern Anal Machine Intell PAMI，1997，19(7):696－710. 

[5]MARTINEZA M.Recognition of partially occluded and/or imprecisely localized faces using a probabilistic approach[C]//Proc ofComputer Vision and Pattern Recognition. 2000:712－717.

[6]MURASE H， KIMURA F， YOSHIMURA M， et al. An improvement of the auto correlation matrix in pattern matching method and its applications to handprinted ‘HIRAGANA’[C]//Proc of Transactions on IECE.1981.

[7]MURASE H， NAYAR S. Visual learning and recognition of 3 D objects from appearance[J].Int J Computer Vision，1995，14:5－24.

[8]NAYAR S K， NENE N A， MURASE H. Subspace methods for robot vision[J].IEEE Trans Robot Automat，1996，RA 12(5):750－758.

[9]WENG J J. Crescepton and SHOSLIF: towards comprehensive visual learning[M]//NAYAR S K， POGGIO T.Early visual learning. Oxford:Oxford University Press， 1996:183－214.

[10]OPPENHEIM A V， LIM J S.The importance of phase in signals[J]. IEEE Proceedings， 1981，69:529－541.

[11]KOVESI P. Edges are not just steps[C]//Proc of the 5th Asian Conference on Computer Vision. 2002:23－25.

[12]SAMARIA F， HARTER A. Parameterisation of a stochastic model for human face identification[C]//Proc of the 2nd IEEE Workshop on Applications of Computer Vision. Saratoga:[s.n.]，1994.

“本文中所涉及到的圖表、注解、公式等內容請以PDF格式閱讀原文”