許小媛

XU Xiao-yuan

（江蘇廣播電視大學(xué)，南京 210036）

基于特征抽取和多分類器組合的人臉識(shí)別方法

Based on feature extraction and the combination of multiple classifiers face recognition method

許小媛

XU Xiao-yuan

（江蘇廣播電視大學(xué)，南京 210036）

人臉識(shí)別技術(shù)有著廣泛的應(yīng)用領(lǐng)域，多分類器組合是提高識(shí)別效果的一條有效途徑。本文分別利用線性鑒別分析，主成分分析和獨(dú)立成分分析得到人臉圖像的有效代數(shù)特征，以支持向量機(jī)作為人臉的分類器，有效地避開了人臉識(shí)別的小樣本局限。由于SVM是用來解決兩類問題的分類方法，采用與二叉決策樹相結(jié)合的方法解決了人臉識(shí)別的多類問題。最后結(jié)合多分類器組合的方法對人臉圖像進(jìn)行識(shí)別。該方法在ORL人臉數(shù)據(jù)庫上進(jìn)行識(shí)別，取得了優(yōu)異的識(shí)別效果，并且對人臉的姿態(tài)，表情有一定的不敏感性。

特征提??；人臉識(shí)別；支持向量機(jī)；多分類器組合

0 引言

人臉識(shí)別是生物識(shí)別技術(shù)的重要課題,目前是一個(gè)非常活躍的研究方向。進(jìn)入九十年代以來，人臉識(shí)別的研究重新成為人們所關(guān)注的熱點(diǎn)，在心理學(xué)、神經(jīng)科學(xué)、模式識(shí)別和計(jì)算機(jī)視覺等方面涌現(xiàn)出大量的成果。人臉正面圖象包含了人臉更明顯的特征，其識(shí)別研究受到人們更多的重視。將一幅人臉圖象看成一個(gè)矩陣，通過作矩陣變換，可以抽取人臉的全局識(shí)別特征。人臉識(shí)別問題是個(gè)典型的小樣本識(shí)別問題，基于統(tǒng)計(jì)學(xué)的模式識(shí)別方法有一個(gè)最基本的應(yīng)用前提,就是只有在學(xué)習(xí)樣本的數(shù)目趨于無窮大時(shí),其識(shí)別的性能才能有理論上的保證,這也是與統(tǒng)計(jì)學(xué)的漸進(jìn)學(xué)習(xí)理論是一致的 如何解決人臉識(shí)別上的小樣本局限就成為這一領(lǐng)域?qū)W者的研究重點(diǎn)。從20世紀(jì)60年代開始,V.N.Vapnik等人在有限樣本的機(jī)器學(xué)習(xí)問題上取得一系列的進(jìn)展,在這一研究領(lǐng)域建立了一套較完整的理論體系――支持向量機(jī)[1-2](Support Vector Machine, SVM)。目前,這一新的理論方法在解決模式識(shí)別中小樣本、非線性及高維識(shí)別問題中表現(xiàn)出獨(dú)特的優(yōu)勢和良好的應(yīng)用前景。由于SVM是用來解決兩類樣本之間的分類問題，對于多類問題，SVM采用的是一對一和一對多分步解決的策略。在本文的人臉分類中，對于多類的人臉分類，采用SVM的一對一方法結(jié)合二叉決策樹對單特征的人臉進(jìn)行分類，最后采用多分類器組合方法取得了更高的識(shí)別率。

1 人臉圖像的特征提取

1.1 獨(dú)立成分分析[3,4]

其中的W一般稱為分離矩陣。

1.2 主成分分析

PCA實(shí)質(zhì)上是KL變換的網(wǎng)絡(luò)遞推實(shí)現(xiàn)。KL變換是圖象壓縮技術(shù)中的一種最優(yōu)正交變換，其生成矩陣一般為訓(xùn)練樣本的總體散布矩陣。其思想就是將包含人臉的圖象區(qū)域看作是一種隨機(jī)向量，因此可以采用KL變換獲得正交KL基。對應(yīng)其中較大特征值的基具有與人臉相似的形狀，因此又稱作特征臉（Eigenface）。利用這些特征向量描述，表達(dá)和逼近人臉圖像，因此可以進(jìn)行人臉的識(shí)別與合成。假定在訓(xùn)練階段數(shù)據(jù)庫中有K個(gè)人，每個(gè)人有M幅人臉灰度圖像，其中每一幅圖像都用NxN的二維數(shù)組I(x,y)來表示，數(shù)組元素表示象素點(diǎn)的灰度值。同樣，每一幅圖象都可以視為一個(gè)N2x1的向量。因此，它等同于N2維的人臉象素域空間中的一個(gè)點(diǎn)。我們用fij表示。

在式(5)兩邊左乘A，然后與(4)式比較，我們可以很容易的得到：

這些特征向量構(gòu)成了人臉空間的一個(gè)子空間的正交基，這個(gè)子空間就是我們通常所說的特征空間。特征空間由訓(xùn)練圖象的協(xié)方差矩陣的特征向量構(gòu)成。然后，我們將數(shù)據(jù)庫中的每一幅人臉f從原始人臉空間轉(zhuǎn)化到特征空間：

2 分類策略

2.1 支持向量機(jī)[1,2]

支持向量機(jī)算法的思想來自于統(tǒng)計(jì)學(xué)習(xí)理論。該算法基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化（structural risk minimization, SRM）原理，將原始數(shù)據(jù)集合壓縮到支持向量集合，然后用子集學(xué)習(xí)得到新知識(shí)，同時(shí)也給出由這些支持向量決定的規(guī)則，并且可得到學(xué)習(xí)錯(cuò)誤的概率上界，即支持向量的期望數(shù)目和訓(xùn)練集合大小的比值。SVM用于模式識(shí)別的基本思想是構(gòu)造一個(gè)超平面作為決策平面的，使兩類模式之間的距離最大。

使分類間隔最大實(shí)際上就是對推廣能力的控制，這是SVM的核心思想之一。統(tǒng)計(jì)學(xué)習(xí)理論指出，在N維空間中，設(shè)樣本分布在一個(gè)半徑為R的超球范圍內(nèi)，則滿足條件的正則超平面構(gòu)成的指示函數(shù)集為符號(hào)函數(shù)）的VC維滿足下面的界

概括地說，支持向量機(jī)就是首先通過用內(nèi)積函數(shù)定義的非線性變換，將輸人空間變換到一個(gè)高維空間，在這個(gè)空間中求(廣義)最優(yōu)分類面。SVM分類函數(shù)形式上類似于一個(gè)神經(jīng)網(wǎng)絡(luò)，輸出是中間節(jié)點(diǎn)的線性組合，每個(gè)中間節(jié)點(diǎn)對應(yīng)一個(gè)支持向量。

SVM中不同的內(nèi)積核函數(shù)將形成不同的算法，目前研究最多的核函數(shù)主要有三類，一是多項(xiàng)式核函數(shù)

所得到的是q階多項(xiàng)式分類器；

二是徑向基函數(shù)(RBF)

所得分類器與傳統(tǒng)RBF方法的重要區(qū)別是，這里每個(gè)基函數(shù)中心對應(yīng)一個(gè)支持向量，它們及輸出權(quán)值都是由算法自動(dòng)確定的。

三是采用Sigmoid函數(shù)作為內(nèi)積，即

2.2 人臉識(shí)別的應(yīng)用

支持向量機(jī)是針對兩類問題提出來的，為實(shí)現(xiàn)對人臉的多類問題的識(shí)別，需要對SVM進(jìn)行推廣。在一個(gè)多類別問題中，如果已知任意兩類可分，則通過一對一或者一對多的組合規(guī)則，實(shí)現(xiàn)多類劃分。在本文采用一對一結(jié)合二叉決策樹的判決規(guī)則來實(shí)現(xiàn)對人臉數(shù)據(jù)的多類劃分。

3 實(shí)驗(yàn)結(jié)果

本文采用ORL人臉數(shù)據(jù)庫驗(yàn)證該算法，該數(shù)據(jù)庫包括從1992年4月到1994年4月劍橋大學(xué)實(shí)驗(yàn)室拍攝的一系列人臉圖像，具體為40個(gè)人，每個(gè)人有不同表情或不同視點(diǎn)的10幅圖像所構(gòu)成，傾斜角度不超過20度，這些人臉圖像的分辨率為92×112，為灰度圖像。

在實(shí)驗(yàn)中，我們采用每類樣本的前六個(gè)數(shù)據(jù)作為訓(xùn)練樣本，即采用每個(gè)人的前六幅照片作為訓(xùn)練數(shù)據(jù)，同時(shí)所有的人臉數(shù)據(jù)作為檢測數(shù)據(jù)，為了數(shù)據(jù)處理的方便，試驗(yàn)中的原始數(shù)據(jù)采用46*56的形式。

在本文的實(shí)驗(yàn)中，首先采用特征提取方法得到人臉圖像的不同特征，由于PCA和ICA的特征提取方法從不同的階數(shù)上消除了數(shù)據(jù)的相關(guān)性，在這里我們分別給出了兩種特征提取方法得到的結(jié)果。

圖1 原圖（左），特征臉（中），獨(dú)立成分臉（右）

對于經(jīng)過特征提取之后的得到不同代數(shù)特征人臉圖像數(shù)據(jù)，我們采用SVM作為分類器以及組合各個(gè)分類器得到的分類效果圖如圖2所示。

圖2 不同分類情況下的分類效果圖

4 結(jié)束語

本文通過提取人臉數(shù)據(jù)的不同代數(shù)特征，并采用支持向量機(jī)結(jié)合多分類器組合方法在一定程度上提高了人臉的識(shí)別率。在ORL人臉數(shù)據(jù)庫上的實(shí)驗(yàn)也驗(yàn)證了這個(gè)方法的有效性，多分類器組合的識(shí)別率遠(yuǎn)遠(yuǎn)優(yōu)于單分類器的識(shí)別率。提取圖像的不同特征，并在此基礎(chǔ)上進(jìn)行識(shí)別是提高圖像識(shí)別率的一個(gè)有效方法。在不同的特征集上設(shè)計(jì)最優(yōu)分類器和采用加權(quán)的組合方法是需要我們進(jìn)一步要做的工作。

[1] VAPNIK V N,張學(xué)工譯.統(tǒng)計(jì)學(xué)習(xí)理論的本質(zhì)[M].清華大學(xué)出版社,2000.

[2] 王建芬,曹元大.支持向量機(jī)在大類別數(shù)分類中的應(yīng)用[J].北京理工大學(xué)學(xué)報(bào),21 (2):225-228,2001.

[3] 趙海濤,金忠,楊靜宇.基于最佳鑒別變換和分類器組合的人臉自動(dòng)識(shí)別[J].中國圖象圖形學(xué)報(bào),5A(9):769-772,2000.

TH166

B

1009-0134(2010)11(下)-0036-03

10.3969/j.issn.1009-0134.2010.11(下).14

2010-09-23

許小媛（1980 -），女 ，講師，碩士研究生，研究方向?yàn)橛?jì)算機(jī)模式識(shí)別。