基于模塊化2D－LDA的視頻監(jiān)控中的人臉識(shí)別算法

計(jì) 蕾，付永鋼

(集美大學(xué)計(jì)算機(jī)工程學(xué)院，福建 廈門 361021)

0 引言

人臉識(shí)別是生物特征識(shí)別技術(shù)中的重要研究課題之一，也是近年來的一個(gè)研究熱點(diǎn)．被廣泛應(yīng)用于公安、銀行、交通、海關(guān)、社區(qū)等領(lǐng)域．在現(xiàn)實(shí)生活中，人臉識(shí)別往往受光線、人臉角度及遮擋物的影響，很容易造成識(shí)別困擾，導(dǎo)致人臉識(shí)別效果不盡如人意．文獻(xiàn) [1]提出了基于主成分分析(Principal Component Analysis，PCA)和二維PCA的人臉識(shí)別算法，提高了人臉檢測的速度和人臉識(shí)別的準(zhǔn)確率．文獻(xiàn)[2]從清除目標(biāo)人臉以外特征、人臉角度補(bǔ)償和支持向量機(jī)檢測的角度，即是從人臉的正面，提出人臉識(shí)別的方法，得到了較好的結(jié)果．文獻(xiàn) [3]對(duì)人臉識(shí)別中的光照效果進(jìn)行了優(yōu)化處理，提高了識(shí)別的能力，但該文沒有對(duì)遮擋物的干擾等實(shí)際環(huán)境因素進(jìn)行綜合考慮．為了達(dá)到實(shí)際應(yīng)用的效果，研究者對(duì)目前的人臉識(shí)別方法和技術(shù)進(jìn)行了不斷的創(chuàng)新，分別在算法的穩(wěn)定性、效率和精確度等方面[4－5]進(jìn)行了大量的研究工作．

文獻(xiàn)[6]對(duì)基于主成分分析的人臉識(shí)別算法進(jìn)行了改進(jìn)，提出了基于二維的線性判別分析(Linear Discriminant Analysis，LDA)的人臉識(shí)別算法．文獻(xiàn) [7]對(duì)基于PCA的算法深入優(yōu)化．文獻(xiàn)[8]改進(jìn)了基于PCA的人臉識(shí)別算法，并采用混合算法對(duì)人臉進(jìn)行分割和識(shí)別．文獻(xiàn) [9]直接借用了文獻(xiàn)[6]的算法，再進(jìn)一步提升視頻跟蹤過程中人臉識(shí)別的能力．文獻(xiàn) [10]綜合了2DPCA、2D－LDA兩種方法，采用融合分類器的人臉識(shí)別方法，效果有所提高但仍然不盡如人意．總之，到目前為止，人臉識(shí)別在精確度方面仍然有很多工作需要深入探討．本文擬針對(duì)常規(guī)算法在人臉受方位變化、帽子遮擋等因素影響下的識(shí)別效率不高的問題，進(jìn)行算法上的改進(jìn)．

1 本文提出的人臉識(shí)別算法

把基于二維的線性判別分析算法擴(kuò)充并改進(jìn)為模塊化性能，是本文的核心思想．

1.1 人臉識(shí)別

首先將圖像分塊以便將樣本模塊化，其次實(shí)現(xiàn)特征提取，目的是為了細(xì)化樣本個(gè)性特征，是將樣本模塊化并降低特征方陣的維數(shù)的有效手段．步驟為:設(shè)共有c類樣本，其中第i類樣本數(shù)in，第i類中用Aji表示序數(shù)為j的圖像，用M表示樣本總數(shù)，樣本模塊化個(gè)數(shù)為r×s，則有

設(shè)N為所有子圖像的個(gè)數(shù)，U為所有子塊的均值，有

Ui為第i類樣本的子圖像的均值，

那么，所有訓(xùn)練子塊的類內(nèi)散布矩陣和類間散布矩陣:

在識(shí)別過程中，需要先把訓(xùn)練樣本和待識(shí)別樣本映射到特征空間中，再借助矩陣距離來判斷模式的類別．

1.2 在視頻監(jiān)控系統(tǒng)中的應(yīng)用

視頻監(jiān)控系統(tǒng)由人臉檢測、人臉跟蹤、人臉識(shí)別三個(gè)主要功能組成．本文提出的人臉跟蹤算法步驟詳細(xì)描述如下:

1)系統(tǒng)人臉跟蹤模塊空閑，處于等待狀態(tài)，程序初始化．

2)輸入視頻序列，檢測視頻中出現(xiàn)的人臉目標(biāo)，并把檢測到的人臉位置存放到數(shù)組中，視頻跟蹤開始．

3)在檢測到的人臉圖像中選擇合適的人臉部分進(jìn)行目標(biāo)分割，然后用式 (1)將分割的目標(biāo)進(jìn)行目標(biāo)模塊化處理．

4)如果出現(xiàn)人臉遮擋，則更新初始模型．轉(zhuǎn)至第2)、3)步．

5)提取樣本類內(nèi)協(xié)方差矩陣變量BW*Sw和圖像類間協(xié)方差矩陣的變量BW*Sb，生成式 (6)的對(duì)應(yīng)特征向量．在提取特征流程中，由于得到模塊化的訓(xùn)練樣本，不僅最大程度地抽取了原來樣本的人臉特征，而且很好地降低了原有目標(biāo)特征空間的維數(shù)．

6)在人臉庫樣本進(jìn)行特征對(duì)比．利用得到的特征向量，與人臉庫中的樣本進(jìn)行比對(duì)，輸出檢測結(jié)果．

2 實(shí)驗(yàn)結(jié)果

2.1 人臉樣本介紹

人臉數(shù)據(jù)庫對(duì)所研究的人臉在抽取之前就有一定的特征數(shù)據(jù)，人們用先驗(yàn)特征來描述這種特征．常規(guī)情況下，先驗(yàn)概率的取值為1/c．實(shí)驗(yàn)中采用的人臉數(shù)據(jù)庫為ORL國際標(biāo)準(zhǔn)人臉庫 (英國劍橋大學(xué)建立)，ORL數(shù)據(jù)庫存儲(chǔ)了40組不同人的信息，人均提取10幅人臉圖像，并且每幅人臉的表情不相同，圖1為人臉庫中的一組圖像舉例．

圖1 ORL數(shù)據(jù)庫的某組人臉圖像Fig.1 A set of face images in ORL database

實(shí)驗(yàn)時(shí)以每人的任意1個(gè)樣本作為訓(xùn)練樣本，另外9個(gè)樣本作為待測樣本，共10組實(shí)驗(yàn)，每次實(shí)驗(yàn)訓(xùn)練樣本和測試樣本的比例為1∶9．

2.2 人臉樣本的擴(kuò)充

對(duì)單樣本進(jìn)行虛擬擴(kuò)充，得到攜帶相同特征的虛擬人臉，彌補(bǔ)視頻監(jiān)控時(shí)人臉傾斜、側(cè)位和遮擋等情況人臉特征的缺失．例如采用泛滑動(dòng)窗口、斜切旋轉(zhuǎn)等方法，可以采集得到一系列如圖2、圖3所示的圖像，起到樣本擴(kuò)充的作用，以便得到更多提取特征的樣本．

圖2 泛化窗口采樣圖Fig.2 Generalization window sample figure

圖3 斜切變換擴(kuò)充圖Fig.3 Oblique transformation expansion graph

2.3 視頻識(shí)別效果

以驗(yàn)證改進(jìn)算法之后的視頻跟蹤效果為目的，本文對(duì)10個(gè)視頻序列進(jìn)行試驗(yàn)，試驗(yàn)中動(dòng)態(tài)更新閾值β=0.3，動(dòng)態(tài)變化因子為0.2，人臉識(shí)別效果如圖4所示．

圖4 改進(jìn)算法的人臉識(shí)別效果Fig.4 Improved algorithm of face recognition effect

從圖4中可以看出，本文改進(jìn)的人臉識(shí)別算法效果不錯(cuò)．為了檢測本文算法的準(zhǔn)確率，筆者對(duì)有10段視頻的不同算法進(jìn)行測試比較，結(jié)果如表1所示．

表1 不同算法的平均識(shí)別準(zhǔn)確率對(duì)比Tab．1 The average recognition accuracy compared different algorithm%

從表1可以看出，本文將人臉識(shí)別二維改進(jìn)算法應(yīng)用于視頻監(jiān)控項(xiàng)目中，通過主成分算法降低維度，并根據(jù)人臉區(qū)域機(jī)理特征生成的特征向量識(shí)別人臉．從實(shí)驗(yàn)仿真結(jié)果來看 (見圖5)，本文提出的算法在平均識(shí)別準(zhǔn)確率上較文獻(xiàn) [1，9－10]有了一定的提高．

圖5 實(shí)驗(yàn)執(zhí)行結(jié)果仿真Fig.5 Experimental simulation execution results

3 結(jié)束語

本文改進(jìn)的人臉識(shí)別算法解決了原本的線性人臉識(shí)別比較棘手的單訓(xùn)練樣本的問題．它利用泛化窗口和斜切變形等方法，把已經(jīng)取得精確信息的樣本再次擴(kuò)充，生成攜帶同類特征的樣本數(shù)據(jù)，有效地模擬人臉遮擋或者人臉角度變化的人臉特征．

但是由于單訓(xùn)練樣本仍然依托原人臉特征信息，模擬人臉的姿態(tài)、旋轉(zhuǎn)和遮擋的情況也存在一定的局限性，再加上本實(shí)驗(yàn)是對(duì)不間斷的動(dòng)態(tài)影像中的人臉部位實(shí)現(xiàn)跟蹤，批量割取人臉圖像并得到一個(gè)包含多屬性的識(shí)別評(píng)價(jià)．所以總體上的識(shí)別準(zhǔn)確率還遠(yuǎn)遠(yuǎn)不夠．而隨著科技的進(jìn)步和人們對(duì)人臉識(shí)別技術(shù)的了解越來越成熟，三維的人臉識(shí)別已經(jīng)在視頻監(jiān)控中有所應(yīng)用，相信在將來深入研究和利用三維人臉識(shí)別技術(shù)會(huì)有更好的效果．

[1]黃泉龍．基于PCA的人臉識(shí)別研究 [D]．西安:西安電子科技大學(xué)，2012．

[2]ARANDJELOVIC OGNJEN，ZISSERMAN ANDREW．Automatic face recognition for film character retrieval in featurelength films[C]//Proceedings of the 2005 IEEE Computer Society Conference on Computer Vision and Pattern Recognition(CVPR 2005)，San Diego:IEEE，2005:860-867．

[3]李粉蘭，段海峰，郝建國，等．人臉識(shí)別中光照補(bǔ)償問題的實(shí)驗(yàn)研究 [J]．工程圖學(xué)學(xué)報(bào)，2009，30(3):113-120．

[4]劉瑾，徐可欣，陳小紅．采用圖像融合技術(shù)的多模式人臉識(shí)別 [J]．工程圖學(xué)學(xué)報(bào)，2007，28(6):72-78．

[5]陳皓，霍星．視頻監(jiān)控中人臉識(shí)別算法穩(wěn)定性的改進(jìn) [J]．工程圖學(xué)學(xué)報(bào)，2011，32(6):53-56．

[6]YANG C J，DURAISWAMI R，DAVIS L S．Efficient mean-shift tracking via a new similarity measure[C]//Proceedings of the 2005 IEEE Computer Society Conference on Computer Vision and Pattern Recognition(CVPR 2005)，San Diego:IEEE，2005:176-183．

[7]尹飛，馮大政．基于PCA算法的人臉識(shí)別[J]．計(jì)算機(jī)技術(shù)與發(fā)展，2008，18(10):31-33．

[8]劉超．基于改進(jìn)PCA的人臉識(shí)別混合算法研究 [D]．太原:太原理工大學(xué)，2011．

[9]王海珍．基于LDA的人臉識(shí)別技術(shù)研究 [D]．西安:西安電子科技大學(xué)，2010．

[10]溫福喜，劉宏偉．基于2D-PCA和2D-LDA的人臉識(shí)別方法[J]．計(jì)算機(jī)應(yīng)用研究，2007，24(8):201-203．