一種改進(jìn)的維吾爾族人臉識別算法研究

伊力哈木·亞爾買買提

摘 要： 針對非均勻光照因素干擾維吾爾族人臉識別效果，提出基于CL多小波和灰度排列對（GAP）算法。首先通過歸一化系統(tǒng)操作消弱非均勻光照對維吾爾族人臉圖像的初級影響，然后利用CL多小波分解一層操作提取維吾爾族人臉圖像中的非高頻信息，再采取GAP算法找到維吾爾族人臉圖像中固定的二維像素點(diǎn)差，為每個(gè)類型的維吾爾族人臉信息圖像創(chuàng)立其對應(yīng)的背景匹配模版，最后分類識別經(jīng)過估算的測試樣本圖像和每個(gè)類型模版的匹配程度。實(shí)驗(yàn)結(jié)果表明，該算法在保留維吾爾族人臉圖像特征的同時(shí)，極大地提高了維吾爾族人臉的識別率和運(yùn)算速度，使維吾爾族人臉圖像擁有了非均勻光照下良好的魯棒性和實(shí)時(shí)性。

關(guān)鍵詞： 非均勻光照； 維吾爾族人臉； CL多小波； 灰度排列對； 非高頻信息； 背景匹配模板

中圖分類號： TN911.73?34； TP181 文獻(xiàn)標(biāo)識碼： A 文章編號： 1004?373X（2018）11?0060?05

Research on an improved Uygur face recognition algorithm

YILIHAMU Yaermaimaiti

（College of Electrical Engineering， Xinjiang University， Urumqi 830047， China）

Abstract： Aiming at the Uygur face recognition effect interfered by non?uniform illumination factor， an algorithm based on CL multi?wavelet and gray arrangement pair （GAP） algorithm is proposed. The normalized system operation is used to weaken the primary influence of non?uniform illumination on Uygur face image. The CL multi?wavelet decomposition one?layer operation is used to extract the non high?frequency information in Uygur face image. After that， the GAP algorithm is adopted to find the fixed two?dimensional pixel points difference in Uygur face image， and create the background matching template corresponding to the Uygur face information image of each type. The estimated test sample and matching degree of each type template are classified and recognized. The experimental results show that the proposed algorithm can greatly improve the recognition rate of Uygur face image and calculation speed while reserving the image characteristics of the Uygur face， which makes the Uygur face image possess strong robustness and high real?time performance under non?uniform illumination.

Keywords： non?uniform illumination； Uyghur face； CL multi?wavelet； gray arrangement pair； non high?frequency information； background matching template

0 引 言

新疆位于中國西北部，具有獨(dú)特的地理位置，少數(shù)民族眾多，其中維吾爾族屬于新疆最大的少數(shù)民族，具有其獨(dú)特的面部特征，并且與中亞國家的人臉有著高度相似的面部特征，研究人臉識別技術(shù)對于發(fā)展當(dāng)?shù)氐男畔⑻幚砟芰τ兄艽髱椭?，而且其結(jié)果會影響到中亞乃至西亞地區(qū)，具有重要的意義。

近幾年，研究人臉圖像識別算法有主成分分析（PCA）、Fisher鑒別分析、支持向量機(jī)算法（SVM）等一些較為經(jīng)典的特性識別算法。雖然此類算法取得了較好的成就，但是仍然存在很大的束縛性。PCA可以將高維圖像進(jìn)行有效降維，并且對于較小的干擾有一定的魯棒性，但是當(dāng)干擾因素較大時(shí)，如非均勻光照及局部遮擋等因素，其算法性能嚴(yán)重下降；FDA算法雖然能夠較好地提取人臉特征，但是在處理高維人臉信息能力中比較困難；SVM算法對大規(guī)模訓(xùn)練樣本難以實(shí)施，且在非均勻光照和局部遮擋環(huán)境下開展對維吾爾族人臉識別會產(chǎn)生大量的運(yùn)行時(shí)間[1]。

基于以上因素，本文提出CL多小波和灰度排列對（GAP）算法的維吾爾族人臉圖像識別。首先對維吾爾族人臉圖像通過歸一化操作消弱非均勻光照的干擾，然后通過多小波一層分解提取維吾爾族人臉圖像信息的低頻部分，構(gòu)造出進(jìn)一步減弱光照影響的維吾爾族人臉圖像，再利用GAP方法構(gòu)造維吾爾族人臉圖像的背景模版，最后進(jìn)行分類識別。實(shí)驗(yàn)結(jié)果表明，所提算法有效提升了非均勻光照環(huán)境下維吾爾族人臉信息圖像辨析處理能力，提高了識別率[2]。

1 維吾爾族人臉特點(diǎn)概述及數(shù)據(jù)庫的構(gòu)建

維吾爾族居住于中國新疆維吾爾自治區(qū)，其外貌特征比較明顯，雖然他們是黃種人，但是由于種族的形成、通婚等使他們保留了大量白種人的血統(tǒng)。男子體毛較發(fā)達(dá)，喜留胡須，兩眼間距離較近，眼窩內(nèi)陷，身材較高大，臉型多呈長方臉（國字型），尖鼻子較多，大部分杏核眼，雙眼皮較多，發(fā)色、眼色較淺，眼裂較長，鼻子尖，發(fā)色、眼色呈黃褐色。

基于以上維吾爾族人臉特征，必須構(gòu)建一套完整以及高質(zhì)量的維吾爾族人臉數(shù)據(jù)庫。為了突出維吾爾族人臉的主要特征，主要采集了新疆南部以及伊犁地區(qū)的維吾爾族人臉，這些地區(qū)的維吾爾族人臉保留了大部分的民族特征，具有很好的典型性。在采集過程中，盡量采集不同性別、年齡等方面的維吾爾族人臉，突出其面部主要特征，為機(jī)器識別分類奠定了良好的基礎(chǔ)。根據(jù)課題要求及資助條件，所使用的采集工具為高清晰度的佳能EOS70D單反相機(jī)，在不同的環(huán)境下采集維吾爾族人臉信息數(shù)據(jù)，構(gòu)建維吾爾族人臉數(shù)據(jù)庫，部分維吾爾族人臉數(shù)據(jù)庫如圖1所示。

2 CL多小波基本理論

多小波的研究重點(diǎn)是構(gòu)建由多尺度線性函數(shù)產(chǎn)生多分辨的二維分析空間，以便進(jìn)一步獲得更大的辨析自由度。多小波是被多數(shù)小波線性函數(shù)通過其空間尺度伸縮和平移構(gòu)造，對應(yīng)地也包含幾個(gè)尺度線性函數(shù)。

多小波的非單一尺度線性函數(shù)[φt]和相應(yīng)的非單一小波線性函數(shù)[ψt]都滿足如下的矩陣多分辨尺度線性方程：

[φt=2k∈ZHkφ2t-kψt=2k∈ZGkφ2t-k] （1）

式中：[Hk]和[Gk]為[r×r]維線性系數(shù)二維矩陣，[r]為多小波的線性維數(shù)[3]。

CL多小波利用均衡多小波法進(jìn)行預(yù)處理。首先將需要拆分采樣的信號進(jìn)行奇偶校驗(yàn)，然后將分解的線性多小波和構(gòu)建的高低通濾波器的線性矩陣進(jìn)行均衡化分析處理，其均衡化算子為：

[R=121-111] （2）

均衡后的低頻和高頻線性濾波器劃分為：

[H=RHRT，G=RGRT] （3）

CL多小波的低頻和高頻算子[LT]和[TT]滿足等式：

[Lu1=u1，Tu1=0] （4）

式中[u1=…，1，1，1，1，…T，]即[u1]在低通線路保持暢通，而在高通線路則被刪除。最后將均衡后的多小波對應(yīng)的低高通線性濾波器取代先前的低高通線性濾波器來推進(jìn)線性變換。

3 GAP人臉識別算法概述

假定有[K]類二維人臉圖像，其樣品數(shù)為[Li1≤i≤K]個(gè)，即可抽取[T]個(gè)樣品作為此類背景模版的產(chǎn)生。第一步，抽取相關(guān)點(diǎn)[P]的[MM>2N]個(gè)備選原點(diǎn)[Qm1≤m≤M]；第二步，從中抽取符合要求的[2N]個(gè)原點(diǎn)用來構(gòu)造模版。

1） 備選原點(diǎn)的抽取

在[T]個(gè)樣品中抽取第[t]個(gè)人臉圖像，假定[t]有[U×V]個(gè)二維像素。對隨意的相關(guān)點(diǎn)[P∈Γ：=][u，vu=1，2，…，U；v=1，2，…，V]，按照延伸的目標(biāo)，將[P]分別和[CC=8]個(gè)延伸方向上的像素關(guān)系點(diǎn)進(jìn)行差值線性運(yùn)行，均延伸到各個(gè)方位圖像的邊沿為主，保留像素關(guān)系點(diǎn)差值不小于閾值[WG]（或小于[-WG]）的目標(biāo)點(diǎn)[Q+m]（或[Q-m]）的方位，然后將這些目標(biāo)點(diǎn)記為[X+tP]（或[X-tP]）：

[X+tP：=Q+tItP-ItQ≥WG] （5）

[X-tP：=Q-tItP-ItQ≤-WG] （6）

式中[Q+tQ-t]為第[t]幅圖像信息點(diǎn)[P]的正（負(fù)）關(guān)聯(lián)點(diǎn)[4]。

對于[T]幅人臉圖像中位置一樣的相關(guān)點(diǎn)[P]，其所有備選原點(diǎn)的抽取要求如下：

[X+P：=Q?tX+tP，t=1，2，…，TT≥Wp] （7）

[X-P：=Q?tX-tP，t=1，2，…，TT≥Wp] （8）

式中[?tX+tP，t=1，2，…，T]表示遍及全部[T]幅人臉圖像，總結(jié)出全部符合要求式（5）的[t]的數(shù)目，[Wp0.5

2） 算出相關(guān)點(diǎn)[P]和備選原點(diǎn)[Qm]的平均值。對于[T]幅人臉圖像中同一方位的相關(guān)點(diǎn)[P，]其平均值可以經(jīng)過下式計(jì)算：

[IP=1Tt=1TItP] （9）

由[?tX+tP，t=1，2，…，T]可以得出對于[T]幅人臉圖像中相同關(guān)系點(diǎn)[P]全部符合式（5）的[t]的數(shù)目，對應(yīng)的[t]值能夠用線性矩陣表示為[t1，t2，…，tH+∈R1×H+，]與關(guān)系點(diǎn)[P]相應(yīng)的正備選原點(diǎn)[Q+m]（或[Q-m]）的線性均值[6]為：

[I（Q+m）=1H+i=1H+ItiP] （10）

[I（Q-m）=1H-i=1H-ItiP] （11）

式中：[H+=?tX+tP，t=1，2，…，T；][H-=][?tX-tP，][t=1，2，…，T。]

3） 根據(jù)像素差的大小選擇原點(diǎn)。其關(guān)系點(diǎn)和原點(diǎn)之間的像素差越接近，其背景模板越具有良好的檢測結(jié)果。在這里，以正原點(diǎn)舉例，將關(guān)系點(diǎn)平均值和相應(yīng)的正備選原點(diǎn)匯集所有點(diǎn)的平均值進(jìn)行線性差值運(yùn)算，然后把得到的線性差值由小到大進(jìn)行排序，選擇排在前[N]個(gè)正（負(fù)）備選原點(diǎn)匯集的點(diǎn)作為正（負(fù)）原點(diǎn)，記為[ref+Pref-P]。以正原點(diǎn)為例，其選擇定律如下：

[Q1

按照由小到大的順序排序，[Q1]排在[Q2]的前面則被優(yōu)先選擇。那么就可以獲得有關(guān)正原點(diǎn)集[ref+P]和負(fù)原點(diǎn)集[7][ref-P]。

4） 背景模版的建立。構(gòu)建所有相關(guān)點(diǎn)[P]最靠近的[N]個(gè)正原點(diǎn)[Q+n]和[N]個(gè)負(fù)原點(diǎn)[Q-n，]然后依據(jù)原點(diǎn)的方位來構(gòu)造人臉圖像背景模版，并把[P]和[Qn]的關(guān)系[8]表示為：

[MP，Qn：=1， Qn∈ref+P-1， Qn∈ref_P] （13）

4 CL多小波和GAP融合算法的維吾爾族人臉

識別方法

本文所提出的CL多小波和GAP融合算法的維吾爾族人臉圖像識別算法主要包含構(gòu)造合適的維吾爾族人臉圖像背景模版和維吾爾族人臉圖像測試樣本的有效辨識兩個(gè)步驟。構(gòu)造維吾爾族人臉圖像背景模版的步驟為：先將其訓(xùn)練的維吾爾族人臉圖像進(jìn)行線性對數(shù)域加強(qiáng)，然后進(jìn)行反復(fù)行預(yù)濾波，再把預(yù)濾波后的維吾爾族人臉信息圖像通過CL多小波分解一層操作，進(jìn)而抽取出非高頻的圖像信息，利用GAP算法將獲得的維吾爾族人臉圖像信息的非高頻頻特征建立隸屬于該類的維吾爾族人臉圖像背景模版。測試階段是把準(zhǔn)備測試的維吾爾族人臉圖像通過增強(qiáng)操作后，同樣利用預(yù)濾波和CL多小波變換抽取非高頻信息分量，通過GAP算法估算出所測試的維吾爾族人臉圖像非高頻分量中相對穩(wěn)固的像素差關(guān)系點(diǎn)對，最后進(jìn)行分類識別，其算法流程如圖2所示。

具體算法步驟如下：

假定具有[K]類訓(xùn)練維吾爾族人臉圖像，且所有類別中擁有[Tk1≤k≤K]個(gè)訓(xùn)練樣品。若進(jìn)行對數(shù)域線性歸一化后的第[k]個(gè)樣品為[Xk=x1，x2，…，xTk ，1≤k≤K，]其中，[xi，1≤i≤Tk]表示第[k]個(gè)圖像中的第[i]個(gè)維吾爾族人臉圖像，則CL多小波非高頻濾波器為[ΨLLx，y]。

1） 將[K]類訓(xùn)練集中每幅維吾爾族人臉圖像中的[xi，1≤i≤Tk]經(jīng)過兩次歸一化后得到對數(shù)域維吾爾族人臉圖像[xi，1≤i≤Tk]。

2） 把空間對數(shù)域線性歸一化后的維吾爾族人臉圖像[xi]利用循環(huán)行預(yù)濾波獲得[9][xi，]然后利用CL多小波非高頻濾波器獲得拆解后的非高頻部分的維吾爾族人臉圖像[xi]：

[xi=ΨLL?xi] （14）

即獲得了由第[k]類維吾爾族人臉圖像通過CL多小波拆解后的非高頻部分：

[XK=x1，x2，…，xTk] （15）

3） 按照構(gòu)造背景模板的方法建立第[k]類維吾爾族人臉圖像背景模板，然后估算出余下的[K-1]類背景模版[10]。

4） 準(zhǔn)備檢測的維吾爾族人臉圖像[g]先通過空間對數(shù)域線性歸一化和CL多小波非高頻濾波后，將獲得的圖像[g]再一次按照構(gòu)造背景模板的方法找到[g]中每一個(gè)相關(guān)點(diǎn)的正原點(diǎn)集和負(fù)原點(diǎn)集。

5） 按照之前所描述的GAP識別算法的分類識別方法，估算出在[K]類維吾爾族人臉圖像背景模版中[g]中每一個(gè)正原點(diǎn)集與負(fù)原點(diǎn)集的匹配程度，把[g]歸納為匹配程度最好的種類[11]，也就是將極大值[k?]視作測試維吾爾族人臉圖像的種類。

5 仿真實(shí)驗(yàn)

5.1 CMU PIE人臉數(shù)據(jù)庫實(shí)驗(yàn)

CMU PIE人臉數(shù)據(jù)庫中共有[68]人一共4 136幅人臉圖像，如圖[3]所示，在CMU PIE人臉數(shù)據(jù)庫中隨意抽取單人的[12]幅具有光照變化的人臉圖像作為實(shí)驗(yàn)對象。由于本文研究的對象是光照條件下對人臉圖像的識別，所以抽取了清晰光照下[50]人每人[24]張正臉的人臉圖像進(jìn)行識別實(shí)驗(yàn)。同樣，由于要方便濾波和CL多小波拆解，便將選取的人臉圖像裁剪為[64×64]大小，利用循環(huán)行預(yù)濾波（RR）和CL多小波拆解對人臉圖像進(jìn)行特征點(diǎn)抽取，GAP算法識別階段設(shè)定閾值[WG=5，][WP=0.6]。隨意抽取[3]張圖像，視為其訓(xùn)練樣本以便建立屬于其類型的背景模板，剩下的人臉圖像當(dāng)做其檢測樣本來處理，分別進(jìn)行主成份分析法（PCA）、傳統(tǒng)GAP、本文算法即CL多小波和GAP融合算法的人臉識別對比實(shí)驗(yàn)，識別率結(jié)果見圖4和表1。

由圖4以及表1的結(jié)論可以看到，本文所提出的CL多小波分解和GAP的人臉識別算法好于PCA算法和沒有通過CL多小波分解的傳統(tǒng)GAP算法，并且在非均勻光照條件變化很大的背景下，此算法在不需要大量訓(xùn)練樣本的條件下就能夠很好地提高其最終的辨認(rèn)效果，在訓(xùn)練樣本數(shù)為[20]時(shí)，其識別率最終達(dá)到了92.1%，證明了本文算法能夠克服光照變化下的干擾性，并在干擾性較強(qiáng)的光照條件下能夠提高其識別效率。

5.2 維吾爾族人臉數(shù)據(jù)庫實(shí)驗(yàn)

在這部分實(shí)驗(yàn)中，采用非均勻光照下自建的維吾爾族人臉數(shù)據(jù)庫進(jìn)行試驗(yàn)，自建的維吾爾族人臉數(shù)據(jù)庫包括50人，每人20幅不同的人臉圖像。維吾爾族人臉數(shù)據(jù)庫的采集來自新疆不同地區(qū)，見圖1。在實(shí)驗(yàn)中選取10幅圖像作為訓(xùn)練樣本，其余為測試圖像。識別率見圖5和表2。

從圖5及表2中非均勻光照下維吾爾族人臉數(shù)據(jù)庫識別率可以看到：本文算法對維吾爾族人臉數(shù)據(jù)庫的識別達(dá)到了很高的效果，識別率也比傳統(tǒng)的識別算法有了很大的提升，只需要很少的訓(xùn)練樣本數(shù)便能夠達(dá)到很高的識別率，其識別效率明顯優(yōu)于PCA算法和傳統(tǒng)GAP算法，分別平均提高了11.63%和4.8%，其識別率最高達(dá)到98.1%。因此，本文所提算法很適合識別維吾爾族人臉，在非均勻光照下具有很好的魯棒性。

5.3 不同算法運(yùn)行時(shí)間分析

同時(shí)，從運(yùn)行時(shí)間考慮，在Intel Core（i5 4570）3.2 GHz的CPU，4 GB內(nèi)存，Matlab R2010a的計(jì)算機(jī)上驗(yàn)證本文算法和PCA算法、傳統(tǒng)GAP算法在非均勻光照變化下和經(jīng)過遮擋的維吾爾人臉自建數(shù)據(jù)庫下人臉識別的處理運(yùn)算速度對比。實(shí)驗(yàn)中，采用100，150，250，…，500幅維吾爾人臉實(shí)驗(yàn)圖像，在不同算法下運(yùn)用其時(shí)間的計(jì)時(shí)函數(shù)tic和toc處理識別維吾爾族人臉圖像所需要的時(shí)間，如圖6和表3所示。

由圖6及表3中的數(shù)據(jù)顯示：本文所提算法在計(jì)算機(jī)運(yùn)行上有很大程度的提高，比PCA算法速度提升了78%，比傳統(tǒng)GAP算法速度提升了69.9%。說明本文提出的算法在非均勻光照變化下和經(jīng)過遮擋的維吾爾族人臉自建數(shù)據(jù)庫的運(yùn)行時(shí)間上有很大優(yōu)勢，在很大程度上縮短了時(shí)間，具有良好的實(shí)時(shí)性。

6 結(jié) 論

本文針對由于非均勻光照因素干擾維吾爾族人臉識別效果，影響了維吾爾族人臉的特征提取效率和維吾爾族人臉識別正確率的問題，提出CL多小波和GAP融合算法的維吾爾族人臉識別方法。首先計(jì)算所有類別的維吾爾族人臉圖像中多小波特征中的非高頻穩(wěn)定的二維像素點(diǎn)差，然后將多小波提取的維吾爾族人臉圖像的非高頻部分中創(chuàng)建所對應(yīng)的背景模版，最后把計(jì)算的檢測樣品中多小波非高頻特征中穩(wěn)定的二維像素點(diǎn)差與創(chuàng)建的模板進(jìn)行匹配度分類。通過實(shí)驗(yàn)表明，本算法對非均勻光照因素下維吾爾族人臉的識別率最高達(dá)到98.1%，運(yùn)算速度上最大提升了78%，使維吾爾族人臉圖像擁有了非均勻光照下良好的魯棒性和實(shí)時(shí)性。

參考文獻(xiàn)

[1] WANG Jing， SU Guangda， XIONG Ying， et al. Sparse representation for face recognition based on constraint sampling and face alignment [J]. Journal of Tsinghua University （science and technology）， 2013， 18（1）： 62?67.

[2] ZHU Ningbo， LI Shengtao. A Kernel?based sparse representation method for face recognition [J]. Neural computing and applications， 2014， 24（3）： 845?852.

[3] TANG Deyan， ZHU Ningbo， YU Fu， et al. A novel sparse representation method based on virtual samples for face recognition [J]. Neural computing and applications， 2014， 24（4）： 513?519.

[4] WANG Yuyao， WANG Min， CHEN Yan， et al. A novel virtual samples?based sparse representation method for face recognition [J]. Optik： international journal for light and electron optics， 2014， 30（3）： 567?571.

[5] DEEPA G M， KEERTHI R， MEGHANA N， et al. Face recognition using spectrum?based feature extraction [J]. Applied soft computing， 2012， 12（9）： 2913?2923.

[6] 梁爽，肖章林.CLAHE融合低頻DCT系數(shù)重變換的人臉識別算法[J].計(jì)算機(jī)仿真，2015，32（8）：255?259.

LIANG Shuang， XIAO Zhanglin. Face recognition algorithm fusion CLAHE and low frequency DCT coefficients sparse representation for retransformed [J]. Computer simulation， 2015， 32（8）： 255?259.

[7] YANG L P， GU X H. Relative gradient histogram features for face recognition [J]. Optics and precision engineering， 2014， 22（1）： 152?159.

[8] 楊國亮，豐義琴，魯海榮.基于低秩表示中稀疏誤差的可變光照和局部遮擋人臉識別[J].計(jì)算機(jī)工程與科學(xué)，2015，37（9）：1742?1749.

YANG Guoliang， FENG Yiqin， LU Hairong. Face recognition with varying illumination and occlusion based on sparse error of low rank representation [J]. Computer engineering and science， 2015， 37（9）： 1742?1749.

[9] CHAI Z H， SUN Z N， MENDEZ?VAZQUEZ H， et al. Gabor ordinal measures for face recognition [J]. IEEE transactions on information forensics and security， 2014， 9（1）： 14?26.

[10] 林克正，莊靚瑋，榮友湖，等.基于Gabor特征的全局加權(quán)稀疏表示[J].哈爾濱理工大學(xué)學(xué)報(bào)，2016，21（1）：40?44.

LIN Kezheng， ZHUANG Liangwei， RONG Youhu， et al. Based on Gabor characteristics global weighted sparse representation [J]. Journal of Harbin University of Science and Technology， 2016， 21（1）： 40?44.

[11] CHO Hyunjong， ROBERTS Rodney， JUNG Bowon， et al. An efficient hybrid face recognition algorithm using PCA and Gabor wavelets [J]. International journal of advanced robotic systems， 2014， 4（9）： 4?12.