子塊加權保持近鄰嵌入和相關向量機的光照人臉識別

蔡麗霞

子塊加權保持近鄰嵌入和相關向量機的光照人臉識別

蔡麗霞

為了提高光照人臉識別正確率，針對傳統特征提取算法存在的不足，提出一種子塊加權保持近鄰嵌入算法和相關向量機相融合的光照人臉識別算法。首先，將人臉圖像劃分成多個子圖，然后，再采用保持近鄰嵌入算法對各子塊提取特征信息，并進行加權連接一個特征矩陣，最后，輸入到相關向量機中進行分類識別，并采用ORL和Yale人臉庫對算法的性能進行測試。仿真結果表明，其算法不僅提高了人臉識別的正確率，而且加快了人臉識別的速度，對光照變化具有較好的魯棒性。

人臉識別；保持近鄰嵌入；子塊加權；相關向量機

0 引言

人臉識別作為一種常用生物識別技術，其在身份認證、視頻監控、安全認證等領域具有廣泛的應用前景。目前，約束環境下人臉識別已經獲得比較令人滿意的識別結果，然而在實際應用環境中，人臉常受到光照因素的影響，使得人臉識別性能急劇下降，因此提高光照條件下的人臉識別性能成為一種挑戰[1]。

為了解決光照條件下的人臉識別問題，學者們進行了許多研究，提出了許多不同的人臉識別算法[2]。人臉識別實質是一種模式分類題，提取人臉特征是最為重要部分，文獻[3]最早就主成分分析（Principal Component Analysis，PCA）應用于人臉特征，其將高維人臉圖像特征投影到低維子空間，對原始特征維數進行有效的壓縮，提高了人臉識別的效率，隨后有學者提出基于線性判別分析（Linear Discriminant Analysis，LDA）的人臉特征提取算法[4]，但是它們是一類線性特征提取算法，當特征維數較高時，易出現“小樣本”問題，即樣本數會遠小于特征維數。小波變換具有多尺度分解能力，因此，有學者采用小波變換提取人臉特征，將人臉圖像分解成為4個分量，只提取低頻分量作為人臉識別特征，然后，采用主成分分析對人臉特征進行降維，提高了人臉識別的準確率[5]，但是，由于只利用低頻分量信息，丟失了人臉高頻分量信息，識別結果不太可靠，對光照變化魯棒性較差[6]。近年來，大量研究結果表明，人臉可能位于一個低維非線性子流形上，因此，非線性流形學習算法引起了人們的廣泛關注，其中局部線性嵌入（LLE）具有較強的非線性降維能力，具有平移，旋轉不變性，取得了不錯的人臉識別結果[7]。LLE只適用于均勻分布的流形結構，但人臉圖像存在大量的非均勻分布的流形結構，為此，有學者提出一種保持近鄰嵌入算法（Neighborhood Preserving Embedding，NPE），可以有效地保持人臉的局部特征。然而以上述算法均將整幅人臉圖像作為輸入模式，提取是人臉圖像的全局特征[8]。實際上人臉的局部特征包含了更多的識別信息，此外在光照變化環境中僅部分人臉區域存在變化，其它部分沒有什么變化，為此一些學者提出了分塊PCA算法（Block PCA，BPCA），首先，將人臉圖像劃分成多個的子圖像，然后，再采用PCA對各子圖像集提取局部特征信息[8]；文獻[10]提出了分塊加權的PCA算法，通過設置相應的權值描述各子塊特征向量之間的差異，提高了人臉識別的正確率。

為了獲得更加理想的光照人臉識別效果，提出了一種子塊加權保持近鄰嵌入算法（Block Weighted NPE，BWNPE）和相關向量機（Relevance Vector Machine，RVM）相融合的光照人臉識別方法，采用2個人臉數據庫進行對比仿真實驗，以測試BWNPE-RVM的有效性。

1 BWNPE-RVM的工作流程

BWNPE-RVM的光照人臉識別算法主要思想為：首先，將人臉圖像劃分成多個子圖，然后再采用保持近鄰嵌入算法對各子圖提取特征信息，并進行加權連接一個特征矩陣，最后輸入到相關向量機中進行分類識別，具體工作流程如圖1所示：

圖1 BWNPE-RVM的工作流程

2 BWNPE-RVM的設計

2.1 人臉圖像分塊

首先，將每幅圖像分割成K份相等大小的子圖像，然后，將所有分割后的訓練樣本第i行，第j列的子圖像集中在一起構成一個子圖像集，得到K個分離的子圖像集，具體如圖2所示：

圖2 人臉圖像的分塊

2.2 NPE提取子圖像集特征

對于樣本集X=[x1,x2,...xN]，近鄰保持嵌入算法采用一個投影矩陣A將它們樣本映射到一個低維的特征空間，即有公式（1）：

（1）根據k近鄰計算樣本點的近鄰點集，構造近鄰圖G。

（2）計算近鄰重建權重矩陣W。令xij()表示xi的k個近鄰點，wij表示相本點xi與xj之間的權值，每個數據點xi可以通過它的k個最近鄰點重構，重構損失函數為公式（2）：

（3）線性變化矩陣A可以通過求解下面最小化問題得到公式（3）：

為了簡化的運算，式（2）可以轉化成下面的廣義特征值求解問題，即公式（4）：

投影向量A=[α1, α2,…,αd]是前d個最小非零特征值所對應的特征向量構成。

2.3 子塊加權

Elij用來度量第j個樣本對第i個樣本的影響程度，距離越近，影響程度越大，其具體定義如公式（5）：

NEli越大的子圖像賦予的權重應該越大，為此第l個子圖像集的權重定義為公式（8）：

2.4 分類器設計

其中先驗分布的超參數向量[11]。

為使w的后驗分布最大化，需要優化超參數a和σ2，其邊緣似然函數為公式（13）：

運算后剩下的非0權值的訓練樣本即為相關向量，最終給定新的輸

預測分布為公式（14）：

把提取訓練樣本中人臉圖像特征輸入到RVM進行訓練，得到相關向量和超平面方程，即相應的人臉分類器，然后將待識別人臉輸入到分類器中進行分類，輸出人臉識別結果。

由于人臉圖像分類實質上是一個多分類問題，但RVM只能求解兩分類問題，必須通過組合策略構建多類別的人臉分類器，本文采用有向無環圖將兩分類的RVM組合在一起，構造的多類別的人臉分類器如圖3所示[12]：

圖3 多類別的人臉分類器設計

3 仿真實驗

3.1 仿真環境及人臉庫

為了測試BWNPE-RVM的人臉識別性能，在Intel 雙核2.65 GHz，4G 內存的計算機上，采用VC++編程實現仿真實驗，采用ORL、Yale人臉庫的數據集作為仿真對象[13,14]，選擇BPCA、BWPCA以及文獻[15]的人臉識別算法進行對比實驗。ORL人臉庫包含40個人的正面圖像，每人10幅圖像，圖像傾斜變化和旋轉變化在20%左右，尺度變化在10%左右，圖像分辨率大小為112×92像素，其部分人臉樣本圖像，如圖4所示：

圖4 ORL人臉庫示例圖像

Yale人臉庫包含38個人、64種不同光照條件下的圖像，每個人在不同光照條件下有5個子集，子集1包含7幅圖像，子集2、3、4和5分別包含12、12、14、19幅圖像。Yale B人臉圖像示例，如圖5所示：

圖5 Yale人臉庫示例圖像

3.2 結果與分析

3.2.1 ORL的識別結果

從每個人臉圖像中隨機選擇7幅圖像組成訓練樣本集，剩余3幅圖像組成測試樣本集，每一幅人臉圖像劃分8個子塊，最近鄰樣本數k=5，每一種算法均進行10次實驗，取其平均值作為最終識別結果，仿真結果如圖6所示：

圖6 不同算法在ORL人臉庫上識別率對比

從圖6可知，相對于對比算法，BWNPE-RVM的人臉識別正確率得到了進一步提高，這表明BWNPE-RVM較好的解決了當前人臉識別算法存在的不足，獲得了更加理想的人臉識別結果。

3.2.2 Yale的識別結果

隨機選取每個人7幅圖像組成訓練樣本集，其余樣本組成測試集，每一幅人臉圖像分割為10子塊，最近鄰樣本數k=5，仿真結果如圖7所示：

圖7 不同算法在Yale人臉庫上識別率對比

從圖7可知，相對于對比算法，BWNPE-RVM的人臉識別正確率得到了進一步提高，這表明BWNPE-RVM通過子塊劃分、加權以及保持近鄰嵌入算法提取人臉特征，獲得了對人臉識別結果有重要貢獻的特征，同時采用非線性分類能力強的相關向量機建立人臉分別器，對光照變化具有較好的魯棒性。

3.2.3 不同算法的識別速度比較

對于實時性要求比較高的人臉識別應用來說，算法速度至關重要，為此測試一幅人臉圖像的平均識別時間，結果如圖8所示：

圖8 不同算法的平均識別時間對比

從圖8可知，相對于對比人臉識別算法，BWNPE-RVM的平均識別時間最短，提高了人臉識別的速度，也體現了BWNPE-RVM算法進行人臉識別的優越性。

4 總結

為了獲得更加理想的光照人臉識別結果，提出了一種子塊加權保持近鄰嵌入算法和相關相向量機相融合的光照人臉識別算法。首先，將人臉圖像劃分成多個子圖像，然后，再采用保持近鄰嵌入算法對各子圖像集提取局部特征信息，并進行加權連接一個特征矩陣，最后，輸入到相關向量機中進行分類識別，并采用ORL和Yale人臉庫對算法的性能進行了測試。仿真結果表明，BWNPE-RVM通過劃分子塊，考慮了人臉的局部和全局特征，并通過加權對特征之間差異性進行描述，通過保持近鄰嵌入算法提取了重要的人臉別特征，不僅提高了人臉識別的正確率，而且加快了人臉識別的速度，對光照變化具有較好的魯棒性，性能要優于其它人臉識別算法。

[1] 趙松,張志堅,張培仁.增強的典型相關分析及其在人臉識別特征融合中的應用[J].計算機輔助設計與圖形學學報,2009,21(3):394-400.

[2] 田玉敏,云艷娥,馬天駿.判別近鄰保持嵌入人臉識別[J].西安電子科技大學學報, 2011, 38(3): 24-28.

[3] 王心醉,李巖,郭立紅,等. 基于雙向PCA和K近鄰的人臉識別算法[J].解放軍理工大學學報(自然科學版),2010, 11(6): 623-238.

[4] 鄒建法,王國胤,龔勛.基于增強Gabor特征和直接分步線性判別分析的人臉識別[J].模式識別與人工智能, 2010 (004): 477-482.

[5] 李建科,趙保軍,張輝,等.DCT和LBP特征融合的人臉識別[J].北京理工大學學報, 2010, 30(011): 1355-1359.

[6] 張疆勤,廖海斌,李原.基于因子分析與稀疏表示的多姿態人臉識別[J].計算機工程與應用,2013,49(5): 154-159.

[7] Yong Xu, Song Feng Xi , Feng Ge , et al. A novel local preserving projection scheme for use with face recognition [J]. Expert Systems with Applications, 2010,37(9):6718-6721.

[8] He Xiao Fei, Cai Deng, Yan Shui Cheng, Zhang Hong Jiang. Neighborhood Preserving Embedding[C]. Tenth IEEE International Conference on Computer Vision, 2005: 1208-1213.

[9] 洪泉,陳松燦,倪雪蕾.子模式典型相關分析及其在人臉識別中的應用[J].自動化學報,2008,43(1):21-30.

[10] Hsieh P C, Tung P C. A novel hybrid approach based on sub-pattern technique and whitened PCA for face recognition [J]. Pattern Recognition, 2009, 42(5): 978-984.

[11] Tipping M E. The relevance vector machine [J]. Advances in Neural Information Processing Systems, 2000, (12): 652-658.

[12] 柳長源,畢曉君,韋琦.基于相關向量機的含噪聲人臉圖像識別[J].吉林大學學報(工學版), 2013,43(4):1121-1126.

[13] Xu Yong, Zhong Aini, Yang Jian, et al. LPP solution schemes for use with face recognition[J]. Pattern Recognition, 2010,43(12) : 4165-4176.

[14] 陳恒鑫,唐遠炎,房斌,張太平.LMCP:用于變化光照下人臉識別的LBP改進方法[J]. 計算機工程與應用,2011,47(3):30-33.

[15] 王國強,歐宗瑛,劉典婷,蘇鐵明.基于保持近鄰判別嵌入的人臉識別[J].大連理工大學學報, 2008,(3):378-382.

TP391.4

A

2014.12.07）

1007-757X(2015)07-0062-04

蔡麗霞（1979-），女，河南工業職業技術學院，網絡管理中心，工程師，碩士，研究方向：圖形圖像學、網絡應用和多媒體技術，南陽，473000