基于自適應(yīng)特征選擇的人臉圖像識(shí)別算法

劉中華， 姚 楠， 劉文紅

(1. 上海電機(jī)學(xué)院 電子信息學(xué)院， 上海 200240; 2. 上海海事大學(xué) 信息工程學(xué)院， 上海 201306)

人臉識(shí)別是圖像處理領(lǐng)域的一個(gè)研究重點(diǎn)。通常，在人臉識(shí)別算法中，對(duì)人臉圖像特征的描述包含全局特征和局部特征兩大類[1-4]，且多以向量的形式給出，稱為特征向量。其中，全局特征表示的特征向量包含了人臉圖像的全部，即整體信息[3-4]；而局部特征僅包含了人臉圖像的一些局部，即細(xì)節(jié)信息[2-5]。常用的全局特征提取方法有主成分分析(Principal Component Analysis， PCA)等，局部特征提取方法有尺度不變特征轉(zhuǎn)換(Scale-invariant Feature Transform, SIFT)[6-7]、局部二值模式(Local Binary Patterns， LBP)[8-9]等。在常用的人臉識(shí)別算法中，由于受人的面部表情、裝飾物的變化以及環(huán)境因素等的影響，最重要的步驟就是如何描述和選取合適的人臉圖像特征，以提高人臉識(shí)別和檢索的精度。

目前，已經(jīng)有很多學(xué)者研究了基于特征匹配的人臉識(shí)別算法，包括基于單一特征的人臉識(shí)別[8]，以及基于特征聯(lián)合的人臉識(shí)別[2-4,10]。其中，基于單一特征的人臉識(shí)別算法具有計(jì)算速度快、實(shí)時(shí)性強(qiáng)的優(yōu)點(diǎn)；其缺點(diǎn)是很難克服光照、旋轉(zhuǎn)等的影響，在復(fù)雜背景下，識(shí)別率會(huì)降低。而基于特征聯(lián)合的人臉識(shí)別算法可以提高復(fù)雜背景下人臉識(shí)別的精度。在常用的基于特征聯(lián)合的人臉識(shí)別算法中，如基于全局和局部特征集成的人臉識(shí)別等算法中，不同的特征根據(jù)一定的規(guī)則融合在一起，每種特征均對(duì)識(shí)別率有貢獻(xiàn)。該方法最主要的優(yōu)點(diǎn)是有效信息全面；缺點(diǎn)是由于信息量相對(duì)較大，會(huì)導(dǎo)致識(shí)別算法實(shí)時(shí)性降低，常需要和降維算法結(jié)合使用，故提高了計(jì)算復(fù)雜度[2,10]。

為克服以上算法的缺點(diǎn)，一種有效的方法是針對(duì)不同情景下獲取的圖像，分別采用不同的特征表達(dá)方式，使識(shí)別算法能自適應(yīng)地根據(jù)訓(xùn)練圖像自身的特點(diǎn)，優(yōu)先選擇最具判別力的特征用于人臉的分類識(shí)別[11-13]。文獻(xiàn)[11-12]中分別提出了一種自適應(yīng)特征選擇方法。該類方法建立在一定的自適應(yīng)選取準(zhǔn)則之上，如線性判別分析算法的類內(nèi)、類間散度值等，利用鑒別能力分析等算法完成人臉圖像的識(shí)別過程。該類方法具有抗光照變化的優(yōu)點(diǎn)，缺點(diǎn)是自適應(yīng)選取準(zhǔn)則的量度值需要人為確定。此外，文獻(xiàn)[14]中采用Adaboost算法對(duì)樣本數(shù)據(jù)庫(kù)中每幅樣本圖像進(jìn)行訓(xùn)練，選擇出最能表示圖像的若干個(gè)特征，并結(jié)合支持向量機(jī)(Support Vector Machine, SVM)等機(jī)器學(xué)習(xí)方法，實(shí)現(xiàn)對(duì)未知人臉圖像的有效識(shí)別。該方法能降低特征的維數(shù)，提高分類識(shí)別的精度；缺點(diǎn)是對(duì)于樣本數(shù)據(jù)庫(kù)中的所有圖像，均使用相同的特征向量表達(dá)式，在樣本差異比較大的情況下(如樣本完全無(wú)遮擋以及樣本有部分遮擋)，其識(shí)別率會(huì)降低。

受文獻(xiàn)[11-13]的啟發(fā)，本文提出一種對(duì)待識(shí)別圖像自適應(yīng)選擇合適特征的人臉識(shí)別算法。該算法對(duì)不同情景下(如光照、遮擋影響、面部表情發(fā)生變化等)的人臉圖像分別提取全局、局部等特征，根據(jù)距離最小化的選取準(zhǔn)則，利用Adaboost算法[13-15]自適應(yīng)地為待測(cè)圖像選擇能最優(yōu)表達(dá)該圖像的特征向量以及相應(yīng)的分類器，能有效地提高人臉圖像的識(shí)別率。

1 自適應(yīng)特征選擇的人臉圖像識(shí)別算法

1.1 AdaBoost算法

AdaBoost樣本權(quán)重迭代更新算法是改進(jìn)的Boosting算法。在圖像處理領(lǐng)域，其主要被用于對(duì)圖像特征進(jìn)行選擇及對(duì)圖像的分類中。該算法可以靈活地運(yùn)用不同的分類學(xué)習(xí)方法，以提高算法的性能。

AdaBoost算法實(shí)現(xiàn)的是分類器的功能。該分類器被稱為強(qiáng)分類器或提升分類器，是多個(gè)稱為弱分類器的子分類器的組合。AdaBoost算法根據(jù)訓(xùn)練樣本數(shù)據(jù)庫(kù)進(jìn)行多輪迭代計(jì)算，每一輪迭代運(yùn)算均訓(xùn)練出一個(gè)最佳的弱分類器[7-8]。

在人臉識(shí)別應(yīng)用中，人臉圖像的特征與AdaBoost算法中的弱分類器相對(duì)應(yīng)，即每一輪的迭代運(yùn)算過程，既是訓(xùn)練一個(gè)最佳弱分類器的過程，也是一個(gè)最佳圖像特征的選取過程。從另一個(gè)角度來(lái)說，AdaBoost算法可以選擇出能提高所建分類識(shí)別模型預(yù)測(cè)能力的最佳人臉特征。

對(duì)AdaBoost算法的具體計(jì)算步驟如下：

步驟1輸入。設(shè)訓(xùn)練樣本數(shù)據(jù)庫(kù)X包含n個(gè)樣本{(x1,y1),(x2,y2)，…,(xn,yn)}，其中，xi為算法輸入的訓(xùn)練樣本，其中，i∈[1,n]；yi∈Y={1,2，…,k}表示k類樣本的標(biāo)簽。每個(gè)樣本初始化服從均勻分布的權(quán)重，即D1(i)=1/n；整數(shù)T為迭代次數(shù)。

步驟2對(duì)每個(gè)弱分類器ht，t=1,2,…,T，其中，T為弱分類器的個(gè)數(shù)，進(jìn)行以下迭代運(yùn)算：

(1) 把權(quán)重歸一化為一個(gè)概率分布Dt；

(2) 返回一個(gè)弱分類器，即

ht：X→Y

(1)

(3) 計(jì)算弱分類器ht的誤差為

(2)

若εt>1/2，則設(shè)T=t-1，且終止循環(huán)；

(4) 設(shè)弱分類器的權(quán)重為

(3)

(5) 更新樣本概率分布Dt，

(4)

式中，Zt為歸一化的常量。

步驟3所有被選出的最佳弱分類器組合成強(qiáng)分類器，為

(5)

1.2 自適應(yīng)特征選擇算法

本文提出一種新的為不同待測(cè)樣本自適應(yīng)選擇合適的人臉特征的方法： 對(duì)訓(xùn)練數(shù)據(jù)庫(kù)的每張圖像以及待測(cè)樣本圖像分別用M種特征提取方法提取M種特征；之后，針對(duì)上述M種特征，在訓(xùn)練樣本數(shù)據(jù)庫(kù)上，用AdaBoost算法訓(xùn)練一個(gè)強(qiáng)分類器。

對(duì)訓(xùn)練樣本數(shù)據(jù)庫(kù)做以下設(shè)置： 訓(xùn)練樣本數(shù)據(jù)庫(kù)設(shè)為Xt，包含C個(gè)子樣本數(shù)據(jù)庫(kù)X1,X2，…,Xi,…,XC，i∈[1,C]，分別代表C類人臉圖像(如人臉正面圖像、受光照變化影響的圖像、受遮擋的圖像以及旋轉(zhuǎn)一定角度的圖像等)，每個(gè)子數(shù)據(jù)庫(kù)又包含p個(gè)人的多幅圖像。

自適應(yīng)特征選擇算法的計(jì)算步驟如下：

(1) 對(duì)數(shù)據(jù)庫(kù)Xt中的每幅圖像，均用M種特征提取方法分別提取M個(gè)特征向量，組成特征庫(kù)F。

(2) 對(duì)子數(shù)據(jù)庫(kù)Xi分別用Adaboost算法獲得一個(gè)強(qiáng)分類器Hi。該強(qiáng)分類器是M個(gè)弱分類器的組合，即

其中，aij為每個(gè)弱分類器的加權(quán)系數(shù)，且aij值最大的弱分類器對(duì)應(yīng)于Xi數(shù)據(jù)庫(kù)中，對(duì)分類貢獻(xiàn)最大，即最優(yōu)的特征fmi(fmi∈F,m∈[1,M],i∈[1,C])所屬的類別，并設(shè)最大的aij值為ai max,i∈[1,C]；F為特征庫(kù)。

(3) 對(duì)數(shù)據(jù)庫(kù)Xt的每個(gè)子數(shù)據(jù)庫(kù)均執(zhí)行上述運(yùn)算，可得C個(gè)強(qiáng)分類器{Hi},i∈[1,C]。

(4) 分別計(jì)算待測(cè)樣本圖像的M個(gè)特征和特征庫(kù)F中同類特征之間的距離(如歐氏距離)，并歸一化，找出歸一化距離最短的特征fo，并把歸一化距離作為特征選擇的準(zhǔn)則。

(5) 根據(jù)ai max,i∈[1,C]值和不同類別特征之間的關(guān)系，搜索特征fo對(duì)分類貢獻(xiàn)最大的分類器Hc，運(yùn)用該分類器完成對(duì)待測(cè)樣本圖像的識(shí)別。

該算法的結(jié)構(gòu)圖如圖1所示。

圖1 基于自適應(yīng)特征選擇的人臉識(shí)別算法Fig.1 Face recognition based on adaptive feature selection

2 實(shí) 驗(yàn)

2.1 數(shù)據(jù)庫(kù)設(shè)置

本文實(shí)驗(yàn)所用的數(shù)據(jù)來(lái)源于GATV數(shù)據(jù)庫(kù)，樣本數(shù)據(jù)庫(kù)包含以下4種類型的人臉圖像： 標(biāo)準(zhǔn)正面圖像、正面圖像帶表情變化、左側(cè)旋轉(zhuǎn)45°、有遮擋等，每類圖像有10個(gè)人的5幅圖像，故實(shí)驗(yàn)所用數(shù)據(jù)庫(kù)共包含200幅圖像。每幅圖像分別用PCA方法提取其全局特征，用LBP和SIFT算法分別提取其局部特征，故每幅圖像共提取3種特征。

圖2為實(shí)驗(yàn)所用數(shù)據(jù)庫(kù)包含的部分樣本圖像。

圖2 部分樣本圖像Fig.2 Part of image samples

2.2 實(shí)驗(yàn)結(jié)果及分析

(1) 在本文設(shè)置的樣本數(shù)據(jù)庫(kù)中，對(duì)于每類圖像，從每個(gè)人的5幅圖像中輪流選取一幅做測(cè)試圖像，剩余的4幅作為訓(xùn)練圖像，故每個(gè)人可以做5次分類識(shí)別實(shí)驗(yàn)，10個(gè)人5次實(shí)驗(yàn)的平均識(shí)別率如圖3所示。同時(shí)，為驗(yàn)證本文提出算法的有效性，圖3中還給出了采用PCA方法提取圖像的全局特征、用LBP和SIFT算法提取的局部特征的平均識(shí)別率。實(shí)驗(yàn)結(jié)果表明，本文提出的算法較其他3種算法在絕大多數(shù)實(shí)驗(yàn)樣本上具有相對(duì)較高的識(shí)別率。

圖3 基于不同特征的人臉識(shí)別算法平均識(shí)別率比較Fig.3 Comparison of average recognition rates of face recognition algorithms based on different features

(2) 在不同類型的人臉圖像子數(shù)據(jù)庫(kù)上，使用本文提出的算法和基于不同特征的識(shí)別算法分別進(jìn)行比較，取不同人臉同一類型的分類識(shí)別率的平均值作為實(shí)驗(yàn)結(jié)果，以驗(yàn)證本文算法在環(huán)境等因素的影響下的有效性，實(shí)驗(yàn)結(jié)果如圖4所示。

圖4 不同算法在不同類型的人臉圖像子數(shù)據(jù)庫(kù)上的平均識(shí)別率比較Fig.4 Comparison of average recognition rate with different face recognition algorithms on different kinds of sub-database of face images

圖4為柱狀圖，每對(duì)柱狀圖的左側(cè)代表的是本文提出的自適應(yīng)特征選擇算法的平均識(shí)別率，右側(cè)為基于單一特征或組合特征的識(shí)別算法的平均分類識(shí)別率。在這些識(shí)別算法中分類器仍然采用AdaBoost算法。由圖可見，相比較單一的PCA、LBP、SIFT以及LBP+PCA人臉特征，在不同類型的人臉圖像數(shù)據(jù)庫(kù)上，本文算法均具有較高的識(shí)別率，尤其是對(duì)有遮擋的人臉圖像，本文提出的算法和傳統(tǒng)的SIFT算法相比較，具有較為明顯的優(yōu)勢(shì)，識(shí)別效果相對(duì)較好。

3 結(jié) 語(yǔ)

針對(duì)常用的基于特征的人臉識(shí)別算法，由于所選擇的特征是固定的，對(duì)于所有的測(cè)試樣本并不完全適用的缺點(diǎn)，本文提出了一種根據(jù)測(cè)試樣本圖像自適應(yīng)地選擇合適特征的人臉識(shí)別算法。該算法利用AdaBoost算法，針對(duì)不同情景下的人臉圖像自適應(yīng)地選擇合適的全局或局部特征，并通過實(shí)驗(yàn)證明該算法可有效地克服如光照、遮擋、面部表情發(fā)生變化等的影響，擴(kuò)展了算法的適用范圍，有效地提高了人臉圖像的識(shí)別率。

參考文獻(xiàn):

[1] Song Mingli,Tao Dacheng,Liu Zicheng,et al.Image ratio features for facial expression recognition application[J].IEEE Transactions on Systems,Man,and Cybernetics,Part B： Cybernetics,2010,40(3)： 779-788.

[2] 蘇煜,山世光,陳熙霖,等.基于全局和局部特征集成的人臉識(shí)別[J].軟件學(xué)報(bào),2010,21(8)： 1849-1862.

[3] 徐效文,張荷萍.融合局部與全局特征提取的虹膜識(shí)別方法[J].計(jì)算機(jī)應(yīng)用研究,2012,29(11)： 4378-4380，4397.

[4] Shang Junjun,Ke Yongzhen.An image recognition method using multi-features[C]∥Proceedings of the 11th International Symposium on Distributed Computing and Applications to Business, Engineering & Science.Guilin: IEEE,2012： 419-423.

[5] 薛冰,郭曉松,蒲鵬程.人臉識(shí)別技術(shù)綜述[J].四川兵工學(xué)報(bào),2010,31(7)： 119-121.

[6] Zhou Qiangqiang,Zhao Zhenbing.Substation equipment image recognition based on SIFT feature matching[C]∥ Proceedings of 5th International Congress on Image and Signal Processing(CISP).Chongqing: IEEE,2012: 1344-1347.

[8] 袁寶華,王歡,任明武.基于完整LBP特征的人臉識(shí)別[J].計(jì)算機(jī)應(yīng)用研究,2012,29(4)： 1557-1559.

[9] Doshi N P,Schaefer G.Compact multi-dimensional LBP features for improved texture retrieval[C]∥Proceedings of the Second International Conference on Robot,Vision and Signal Processing.Washington,DC,USA: IEEE,2013: 51-55.

[10] 陳琦，郭順超，張世輝.基于特征聯(lián)合和支持向量機(jī)的人臉識(shí)別[J].燕山大學(xué)學(xué)報(bào),2012,36(6)： 519-525.

[11] 王美,梁久禎.自適應(yīng)特征提取的光照魯棒性人臉識(shí)別[J].計(jì)算機(jī)工程與應(yīng)用,2012,48(11)： 164-169.

[12] 朱長(zhǎng)仁,王潤(rùn)生.人臉特征自適應(yīng)選取技術(shù)[J].計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào),2002,14(1)： 26-30.

[13] 潘崇,朱紅斌.基于自適應(yīng)特征選擇和SVM的圖像分類的研究[J].計(jì)算機(jī)應(yīng)用與軟件,2010,27(1)： 244-246.

[14] 李巍,楊素錦,段曉華.Adaboost和隨機(jī)圖劃分的無(wú)監(jiān)督圖像分類[J].中國(guó)圖象圖形學(xué)報(bào),2012,17(10)： 1245-1251.

[15] 方晶晶,李振波,姜宇.人體膚色區(qū)域的自適應(yīng)模型分割方法[J].計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào),2013,25(2)： 229-234.