基于SVM的人臉識(shí)別系統(tǒng)設(shè)計(jì)與改進(jìn)

◆歐利松

基于SVM的人臉識(shí)別系統(tǒng)設(shè)計(jì)與改進(jìn)

◆歐利松

（桂林理工大學(xué)理學(xué)院 廣西 541006）

為解決人臉識(shí)別中圖像維數(shù)高、易受光照變化以及噪聲影響等問題，本文提出PCA和SVM相結(jié)合的人臉識(shí)別算法并在圖像預(yù)處理階段加入濾波處理。首先對(duì)圖像進(jìn)行濾波預(yù)處理，PCA提取特征后降維處理，最后利用SVM多類分類器尋找人臉樣本之間的最優(yōu)分割超平面，對(duì)特征人臉進(jìn)行訓(xùn)練和分類。通過在MATLAB平臺(tái)搭建人臉識(shí)別系統(tǒng)，對(duì)本文算法、SVM核函數(shù)以及不同濾波處理的系統(tǒng)進(jìn)行了比較分析。實(shí)驗(yàn)結(jié)果表明，PCA和SVM相結(jié)合的算法精度達(dá)到了95%，比其他算法提升了10%，有效解決了圖像維數(shù)高、計(jì)算量大的問題，同時(shí)優(yōu)化后的核函數(shù)加入維納濾波的系統(tǒng)表現(xiàn)出較好的分類和去噪性能。

人臉識(shí)別；PCA；SVM；MATLAB平臺(tái)；核函數(shù)；維納濾波

隨著計(jì)算機(jī)技術(shù)的不斷發(fā)展，快速有效的識(shí)別技術(shù)在各領(lǐng)域有了更高的要求，因此穩(wěn)定、安全的生物特征識(shí)別得到了廣泛的關(guān)注[1]。國(guó)內(nèi)外許多著名大學(xué)很早時(shí)期就對(duì)識(shí)別算法進(jìn)行了研究，其中有從感知和心理學(xué)角度探索人類識(shí)別人臉機(jī)理的，如美國(guó)Texas at Dallas大學(xué)的Abdi和Tool小組[2]，由Stirling大學(xué)的Bruce教授和Glasgow大學(xué)的Burton教授合作領(lǐng)導(dǎo)的小組等[3]；也有從視覺機(jī)理角度進(jìn)行研究的，如英國(guó)的Graw小組和荷蘭Groningen大學(xué)的Petkov小組等[4]。雖然國(guó)內(nèi)外研究已經(jīng)取得一些成績(jī)，但人臉識(shí)別過程中圖像維數(shù)高、易受光照變化等問題一直是研究的難點(diǎn)。因此，本文提出了基于PCA和SVM算法，有效解決了圖像維數(shù)高、計(jì)算量大的問題[5]，同時(shí)加入了濾波處理的系統(tǒng)具有較好的性能，有效的提高了識(shí)別率。

1 濾波預(yù)處理

1.1 中值濾波

中值濾波是一種典型的非線性低通濾波技術(shù)[6]，是指把以某點(diǎn)（，）為中心從小到大排列組合，根據(jù)奇偶性取平均值作為（，）處的灰度值[7]。中值濾波對(duì)去除椒鹽噪聲很有效果。用數(shù)學(xué)公式表示為：

對(duì)于二維序列進(jìn)行中值濾波時(shí)，濾波窗口也是二維的，但這種二維窗口可以有各種不同的形狀，如線狀、方形、圓形、十字形、圓環(huán)形等。二維數(shù)據(jù)的中值濾波可以表示為：

與平均濾波器相比，中值濾波器從總體上來說，能夠較好地保留原圖像中的躍變部分[8]，對(duì)椒鹽噪聲處理結(jié)果如下圖1所示。

圖1 中值濾波處理過程

1.2 均值濾波

均值濾波是典型的線性濾波算法，通過構(gòu)造濾波模板進(jìn)行局部空間域處理的算法[9]。設(shè)一幅圖像（，）為×的陣列，處理后的圖像為（，），每個(gè)像素的灰度級(jí)由包含（，）領(lǐng)域的幾個(gè)像素的灰度級(jí)的平均值所決定，即用下式得到處理后的圖像：

式中x，y=0，l，2，…，N-1；S是以（x，y）為中心的鄰域的集合，M是S內(nèi)坐標(biāo)點(diǎn)的總數(shù)。圖像鄰域平均法的處理效果與所用的鄰域半徑有關(guān)。半徑愈大，則圖像的模糊程度也度大，主要缺點(diǎn)是在降低噪聲的同時(shí)使圖像產(chǎn)生模糊，特別在邊沿和細(xì)節(jié)處，鄰域越大，模糊越厲害，如圖2所示。

2 主成分分析法

（6）進(jìn)行-反變換有：

-變換使向量的數(shù)值改變，但向量的個(gè)數(shù)是沒有改變，數(shù)值改變后會(huì)出現(xiàn)小數(shù)值，因此就可以既保留主要特性又降低向量的維數(shù)。為減少運(yùn)算量，可以保留主要信息，去掉次要數(shù)據(jù)。

3 支持向量機(jī)

支持向量機(jī)（Support Vector Machine，SVM）在解決線性情況可以直接構(gòu)造一個(gè)最優(yōu)與最佳的分類面，而解決非線性情況時(shí)會(huì)選擇合適的核函數(shù)通過非線性將低維空間樣本映射到高維特征空間上，同時(shí)在高維空間求解得到最佳的分類超平面。

SVM核函數(shù)在實(shí)際開發(fā)應(yīng)用很重要，其參數(shù)的選擇與人臉識(shí)別率密切相關(guān)。常用的核函數(shù)有以下三種：

（1）多項(xiàng)式核函數(shù)：

（2）徑向基核函數(shù)：

（3）Sigmoid核函數(shù)：

核函數(shù)具有低維度映射高緯度特征空間解決非線性問題的能力，常用核函數(shù)性能相似，本文選取Sigmoid核函數(shù)。目前參數(shù)如何設(shè)定與優(yōu)化仍然是研究者探討的熱點(diǎn)，因此本文針對(duì)SVM核函數(shù)參數(shù)選擇進(jìn)行仿真實(shí)驗(yàn)。

4 實(shí)驗(yàn)仿真

實(shí)驗(yàn)基于PCA和SVM算法，在MATLAB平臺(tái)設(shè)計(jì)并搭建了人臉識(shí)別系統(tǒng)，使用ORL人臉數(shù)據(jù)庫(kù)，其中包括40個(gè)不同年齡、不同性別和不同種族的對(duì)象。每個(gè)人10幅圖像共計(jì)400幅灰度圖像組成，人臉部分表情和細(xì)節(jié)均有變化。

人臉識(shí)別系統(tǒng)界面如圖3所示。

圖3 人臉識(shí)別系統(tǒng)界面

4.1 不同算法比較分析

為了測(cè)試本文算法可行性，分別使用HOG、LBP、PCA與SVM相結(jié)合以及PCA與KNN、LDA結(jié)合進(jìn)行比較，實(shí)驗(yàn)通過不同算法對(duì)訓(xùn)練時(shí)間、測(cè)試時(shí)間以及識(shí)別準(zhǔn)確率進(jìn)行測(cè)試，其中方向梯度直方圖（Histogram of Oriented Gradient，HOG）特征是一種在計(jì)算機(jī)視覺和圖像處理中用來進(jìn)行物體檢測(cè)的特征描述子；局部二值模式（Local Binary Pattern，LBP）是一種用來描述圖像局部紋理特征的算子；線性判別式分析（Linear Discriminant Analysis，LDA 一種經(jīng)典的線性學(xué)習(xí)方法；k近鄰法（k-nearest neighbor，KNN）是一種基本分類與回歸方法[18]。實(shí)驗(yàn)結(jié)果如表1所示。

表1 不同算法的實(shí)驗(yàn)結(jié)果比較

從表1可以看出，采用HOG、LBP的訓(xùn)練時(shí)間大于PCA的訓(xùn)練時(shí)間，由于PCA算法可以減少數(shù)據(jù)集的維度，同時(shí)保持?jǐn)?shù)據(jù)集中使方差貢獻(xiàn)最大的特征，故訓(xùn)練時(shí)間大大縮短，而HOG描述子生成過程冗長(zhǎng)，導(dǎo)致速度慢以及實(shí)時(shí)性差，傳統(tǒng)的LBP特征之間存在冗余導(dǎo)致訓(xùn)練時(shí)間慢。在測(cè)試時(shí)間方面，SVM比KNN、LDA表現(xiàn)出更好的計(jì)算效率。在精度上，PCA與SVM結(jié)合的算法也遠(yuǎn)優(yōu)勝于其他算法。因此，綜合各方面，基于PCA與SVM的相結(jié)合的算法能夠有效降維，具有計(jì)算效率高、識(shí)別速度快以及準(zhǔn)確率高的優(yōu)點(diǎn)。

4.2 核函數(shù)參數(shù)實(shí)驗(yàn)

使用MATLAB以及LibSVM工具包選擇SVM核函數(shù)參數(shù)對(duì)人臉識(shí)別率實(shí)驗(yàn)分析，首先使用LibSVM交叉驗(yàn)證法選取參數(shù)C與gamma（其中C是懲罰系數(shù)，gamma是核函數(shù)半徑），然后根據(jù)模型參數(shù)對(duì)進(jìn)行計(jì)算、判斷其歸類，最后得到識(shí)別率。結(jié)果如下表2所示。

表2 關(guān)于核函數(shù)參數(shù)選擇的識(shí)別率

從表2可以看出：基于SVM的人臉識(shí)別系統(tǒng)的識(shí)別率很高，而且具有一定魯棒性。其中SVM核函數(shù)模型中的參數(shù)懲罰系數(shù)C和核函數(shù)半徑gamma選擇直接影響著人臉識(shí)別率。其中C指誤差的寬容度，懲罰系數(shù)越高越不能容忍出現(xiàn)誤差，系數(shù)越小則容易欠擬合，而出現(xiàn)過大或過小情況，其泛化能力變差。核函數(shù)半徑則決定了數(shù)據(jù)映射到新的特征空間后的分布，gamma值大小取決了支持向量多少。本節(jié)實(shí)驗(yàn)采用LibSVM工具包提供的交叉驗(yàn)證功能，得出參數(shù)C為128，gamma為0.007時(shí)識(shí)別率高達(dá)95%。

4.2 濾波預(yù)處理實(shí)驗(yàn)

將待識(shí)別100張不同的人臉圖像分別加入中值濾波與均值濾波的人臉識(shí)別系統(tǒng)進(jìn)行識(shí)別，同時(shí)運(yùn)用本文算法，對(duì)比結(jié)果如下表3所列。

表3 不同濾波處理的效果比較

由表3可以看出：待識(shí)別100張不同的人臉圖像輸入中值濾波進(jìn)行人臉識(shí)別，系統(tǒng)未出現(xiàn)識(shí)別錯(cuò)誤，而輸入均值濾波時(shí)出現(xiàn)了兩次錯(cuò)誤，且識(shí)別速度比中值濾波預(yù)慢了0.5秒。

5 結(jié)束語

本文提出一種中值濾波、PCA與SVM相結(jié)合的人臉識(shí)別算法，并在MATLAB平臺(tái)設(shè)計(jì)并搭建了人臉識(shí)別系統(tǒng)，針對(duì)不同算法、SVM核函數(shù)以及兩種濾波進(jìn)行實(shí)驗(yàn)仿真。通過實(shí)驗(yàn)表明，本文算法有效解決了圖像維數(shù)高、計(jì)算量大的問題，同時(shí)加入了中值濾波處理的系統(tǒng)對(duì)光照變化、噪聲具有一定的魯棒性，有效提高了識(shí)別率。但對(duì)于變形人臉、遮擋人臉和模糊人臉則存在適用性局限，有待于進(jìn)一步研究。

[1]楊雨龍，叢英.錯(cuò)位指紋圖像自動(dòng)檢測(cè)的深度學(xué)習(xí)方法[J].數(shù)學(xué)建模及其應(yīng)用，2018，7（2）：23-29.

[2]鐘璇.翻譯倫理視角下的災(zāi)難新聞編譯研究[D]，廣東外語外貿(mào)大學(xué)，2016.

[3]王立逗.復(fù)雜光照變化下的人臉識(shí)別方法研究[D].重慶郵電大學(xué)，2015.

[4]付瑤.具有年齡魯棒性的人臉識(shí)別算法研究[D].北京交通大學(xué)，2015.

[5]劉萬軍，李天慧，曲海成，等.基于DS聚類的高光譜圖像集成分類算法[J].計(jì)算機(jī)應(yīng)用研究，2018，35（10）：3130-3133.

[6]彭安杰，康顯桂.基于濾波殘差多方向差分的中值濾波取證技術(shù)[J].計(jì)算機(jī)學(xué)報(bào)，2016，38（03）：503-506.

[7]Fadhlan K Z，Amir A S，Yasir M M. Robust Face Recognition Against Expressions and Partial Occlusions[J]. International Journal of Automation and Computing.2016. 13（04）：319-337.

[8]張海鋒.壓縮感知圖像重構(gòu)及去噪算法的研究[D].燕山大學(xué)，2016.

[9]方政，胡曉輝，陳永.二級(jí)推理在圖像去噪中的應(yīng)用[J]. 計(jì)算機(jī)應(yīng)用與軟件，2016，33（10）：194-197.

[10]李春娜，陳偉杰，邵元海.魯棒的稀疏Lp-模主成分分析[J].自動(dòng)化學(xué)報(bào)，2017，55（01）：142-151.