趙慶敏,辜道平

(南昌大學(xué)信息工程學(xué)院，中國(guó) 南昌 330031)

人臉識(shí)別屬于一種生物特征識(shí)別技術(shù)，在安防監(jiān)控、用戶認(rèn)證、人機(jī)交互等方面有著非常廣泛的應(yīng)用[1]．人臉識(shí)別算法已經(jīng)得到廣大科學(xué)家的普遍關(guān)注，并且產(chǎn)生了許多優(yōu)秀的人臉識(shí)別算法，例如，特征臉?biāo)惴ǎS主成分分析算法，基于四元數(shù)Gabor小波的彩色人臉識(shí)別算法[2]等．二維主成分分析算法直接計(jì)算圖像協(xié)方差矩陣的特征向量，能夠準(zhǔn)確地計(jì)算協(xié)方差矩陣[3]．二維主成分分析算法的主要不足之處就是需要較多的系數(shù)來進(jìn)行圖像表征，因此，該算法得到了改進(jìn)，加權(quán)變形的二維主成分分析人臉識(shí)別算法及改進(jìn)的模塊二維主成分分析人臉識(shí)別算法[4]．雙向二維主成分分析法可以同時(shí)利用行和列上的投影矩陣，在利用較少的圖像表征系數(shù)的前提下可以獲得與二維主成分分析法相同或者更高的識(shí)別率[5]．

基于小波加權(quán)的雙向二維主成分分析人臉識(shí)別算法是比較優(yōu)秀的一種人臉識(shí)別技術(shù)，通過小波變換對(duì)人臉圖像進(jìn)行小波分解，對(duì)低頻子帶加權(quán)后將低頻子圖代替原始人臉圖像，不僅能夠降低數(shù)據(jù)維數(shù)，而且能夠抑制隨機(jī)噪聲[6-7]．小波變換通常被稱為“數(shù)學(xué)顯微鏡”，具有多分辨率的特點(diǎn)，已經(jīng)被成功地應(yīng)用于人臉識(shí)別算法中，然而小波變換不具有各向異性的特點(diǎn)，僅僅能反映一維信號(hào)中奇異點(diǎn)的性質(zhì)，進(jìn)而無法表達(dá)二維圖像的“沿”邊緣特征[8]．Candès和Donoho提出的曲波變換的在很大程度上彌補(bǔ)了小波變換的缺陷，能夠較好地表示直線奇異和曲線奇異特征[9]，但是第一代曲波的實(shí)現(xiàn)過程具有較高的時(shí)間復(fù)雜度，而且容易出現(xiàn)較大的數(shù)據(jù)冗余量．因此，Donoho等人于2005年又提出了第二代曲波變換[10]．第二代曲波以其良好的細(xì)節(jié)表達(dá)能力可以有效地應(yīng)用于人臉識(shí)別算法中，但是非線性變換過程中需要對(duì)多個(gè)參數(shù)進(jìn)行調(diào)節(jié)，進(jìn)而增加了人臉識(shí)別的復(fù)雜性.同時(shí)，變換函數(shù)在進(jìn)行第二代曲波系數(shù)變換時(shí)沒有考慮到尺度不同分布特征不同的特點(diǎn)，在人臉識(shí)別時(shí)存在著一定的缺陷．為了能夠提高人臉識(shí)別的效果，提出了一種改進(jìn)的基于第二代曲波加權(quán)的雙向二維主成分分析人臉識(shí)別算法．

1 第二代曲波的基本理論

設(shè)在笛卡爾坐標(biāo)系統(tǒng)下的輸入為f(t1,t2)，0≤t1,t2≤n，第二代曲波變換的離散形式可以表示為如下的形式[11]：

對(duì)于任意一個(gè)ω=(ω1,ω2)，ω1>0，有如下公式成立：

Vj(Sθlω)=Vj(2?j/2」ω2/ω1-l)，j>0,

式中，?j/2」表示j/2的整數(shù)部分，Sθl表示剪切矩陣：

式中:tanθl=l·2?j/2」，l=-2?j/2」,-2?j/2」+1,…,2?j/2」-1．θl的斜率是等間距的，對(duì)于每個(gè)θl∈[-π/4,π/4]，有如下公式：

2 基于第二代曲波變換的加權(quán)算法

2.1 Wrapping算法的基本原理

Candès和Donoho設(shè)計(jì)了2種快速離散曲波算法，一種是USFFT算法，另外一種是Wrap算法．基于Wraping的快速離散曲波變換算法如下[12]：

(1)在給定笛卡爾坐標(biāo)系下，對(duì)二維函數(shù)做2DFFT變換所得到的二維頻域表示為

(5)對(duì)上一步結(jié)果進(jìn)行2DIFFT變換，可獲得離散曲波因子的集合cD(j,l,k)．

圖1 Wrapping快速離散曲波變換的原理圖 Fig.1 Theory diagram of Wrapping fast discrete curvelet transformer

Wrapping算法的核心思想如下[13]：利用頻率周期化技術(shù)將任意區(qū)域映射到原點(diǎn)的仿射區(qū)域中，形成一一對(duì)應(yīng)的映射；2DIFFT變換通過把圖1的橢圓從原點(diǎn)開始進(jìn)行映射，從而獲得矩形區(qū)域，此時(shí)，可以利用二維數(shù)組表達(dá)．

2.2 改進(jìn)的第二代曲波非線性加權(quán)算法

基本的Wrapping人臉識(shí)別方法存在2個(gè)缺陷：

(1)圖像信息通常位于邊緣，利用第二代曲波進(jìn)行降噪時(shí)由于其具有平移不變性，將導(dǎo)致系數(shù)的“過扼殺”，從而使圖像邊緣產(chǎn)生“振鈴”效應(yīng)．

(2)由于曲波變換具有“楔形基”的特性，因此變換因子具有一定的相關(guān)性，當(dāng)系數(shù)變化時(shí)將改變空域中一條直線上的全部值，因此使圖像失真．

針對(duì)以上缺陷，建立基于第二代曲波的圖像加權(quán)算法，算法流程如下所示：

步驟1：利用下式對(duì)二維圖像進(jìn)行歸一化：

步驟2：圖像經(jīng)過歸一化處理以后，按照直方圖的圖像分類確定Beta函數(shù)中的參數(shù)α和β，并且進(jìn)行如下的變換：

g′(i,j)=F(g(i,j)),

式中，F(xiàn)(·)表示非完全Beta函數(shù)變換．

步驟3：對(duì)g′(i,j)進(jìn)行反歸一化處理，獲得相應(yīng)的圖像x(i,j)．

步驟4：利用第二代曲波變換對(duì)圖像x(i,j)進(jìn)行分解；

步驟5：分解后的低頻和中頻曲波系數(shù)利用如下的公式進(jìn)行非線性變換：

對(duì)分解后的高頻曲波系數(shù)利用軟閾值函數(shù)做降噪處理，軟閾值函數(shù)可以表示如下：

步驟6：做第二代曲波反變換獲得人臉識(shí)別結(jié)果圖像x′(i,j)．

3 基于第二代曲波加權(quán)的雙向二維主成分分析人臉識(shí)別算法

式中，L表示人臉識(shí)別的特征矩陣．

4 實(shí)驗(yàn)結(jié)果及分析

為了能夠驗(yàn)證算法的有效性，從ORL和Yale人臉數(shù)據(jù)庫選取人臉圖像樣本，ORL人臉數(shù)據(jù)庫的基本信息為：人臉總數(shù)為400張；共分類40類，圖像尺寸為112×92，影響人臉識(shí)別的因素為表情、飾物和姿勢(shì)．Yale人臉數(shù)據(jù)庫的基本信息：人臉總數(shù)為165，一共有15類，圖像的尺寸為100×100，影響人臉識(shí)別的因素有表情，光照、飾物和姿勢(shì)．樣本圖像如圖2和圖3所示．

圖2 ORL人臉數(shù)據(jù)庫的樣本圖像 圖3 Yale人臉數(shù)據(jù)庫的樣本圖像Fig.2 Sample diagram of OLR face database Fig.3 Sample diagram of Yale face database

為了能夠驗(yàn)證該算法的有效性，分別利用小波加權(quán)雙向二維主成分分析算法和第二代曲波加權(quán)的雙向二維主成分分析算法對(duì)以上兩個(gè)人臉數(shù)據(jù)庫進(jìn)行人臉識(shí)別．在實(shí)驗(yàn)前，對(duì)所有人臉的數(shù)據(jù)進(jìn)行歸一化處理，在實(shí)驗(yàn)過程中對(duì)特征向量進(jìn)行單位化處理．

在ORL人臉數(shù)據(jù)庫選取150張人臉圖像作為訓(xùn)練集合，其余250張人臉圖相作為測(cè)試集合．在Yale人臉數(shù)據(jù)庫選取60張人臉圖像作為訓(xùn)練集合，其余105張圖像作為測(cè)試集合．在不同的特征矩陣的維數(shù)下，分別任意地進(jìn)行20次實(shí)驗(yàn)，仿真實(shí)驗(yàn)利用MATLAB軟件實(shí)現(xiàn)，相應(yīng)的實(shí)驗(yàn)結(jié)果見表1和表2．其相應(yīng)的人臉識(shí)別仿真曲線如圖4和圖5所示，表及圖中的識(shí)別率為20次實(shí)驗(yàn)的平均識(shí)別率．

表1 ORL人臉數(shù)據(jù)庫的性能仿真結(jié)果

表2 Yale人臉數(shù)據(jù)庫的性能仿真結(jié)果

從表1和表2的結(jié)果可以看出，對(duì)于ORL人臉數(shù)據(jù)庫，特征向量維數(shù)為8時(shí)，第二代曲波加權(quán)的雙向二維主成分分析人臉識(shí)別算法的平均識(shí)別率最高，可以獲得較好的人臉效果，識(shí)別時(shí)間最少，因此具有較好的算法優(yōu)勢(shì)．Yale人臉數(shù)據(jù)庫，當(dāng)特征向量維數(shù)為12時(shí)，平均最佳識(shí)別率最高，并且所用的識(shí)別時(shí)間也最短，因此，第二代曲波加權(quán)的雙向二維主成分分析算法明顯優(yōu)越于小波加權(quán)雙向二維主成分分析算法．

圖4 ORL人臉數(shù)據(jù)庫的識(shí)別仿真曲線 圖5 Yale人臉數(shù)據(jù)庫的識(shí)別仿真曲線 Fig.4 Identifying simulation curve of ORL face database Fig.5 Identifying simulation curve of Yale face database

從圖4和圖5可以進(jìn)一步看出，第二代曲波加權(quán)的雙向二維主成分分析算法在人臉識(shí)別率上明顯優(yōu)越于小波加權(quán)雙向二維主成分分析算法．

5 結(jié)論

將改進(jìn)的基于第二代曲波加權(quán)的雙向二維主成分分析算法應(yīng)用于人臉識(shí)別中，建立了算法流程．以O(shè)RL人臉數(shù)據(jù)庫和Yale人臉數(shù)據(jù)庫為例進(jìn)行了仿真分析.仿真結(jié)果表明，改進(jìn)的人臉識(shí)別算法具有較好的人臉識(shí)別效果，與傳統(tǒng)的人臉識(shí)別算法相比，不僅提高了識(shí)別率，而且縮短了識(shí)別時(shí)間，在人臉識(shí)別中具有廣闊的應(yīng)用前景．

參考文獻(xiàn)：

[1] 李苗在，谷海紅. 人臉識(shí)別研究綜述[J]. 電腦知識(shí)與技術(shù), 2011,7(24):5992-5994.

[2] 郎方年，周激流. 四元數(shù)矩陣正交特征向量系的求解方法及其在彩色人臉識(shí)別中的應(yīng)用[J]. 自動(dòng)化學(xué)報(bào), 2008,34(2):121-129.

[3] YANG J, ZHANG D, FRANGI A F,etal. Two-dimensional PCA: A new approach to appearance-based face representation and recognition[J]. IEEE Transaction on Pattern Analysis and Machine Intelligence, 2004,26(1):131-137.

[4] 賁晛燁，安 實(shí)，王科俊,等．改進(jìn)的完全二維主成分分析及其在步態(tài)識(shí)別中的應(yīng)用研究[J]. 計(jì)算機(jī)應(yīng)用研究， 2011,28(6):2088-2091.

[5] ZHANG D Q, ZHOU Z H. (2D)2PCA: Two-directional two-dimensional PCA for efficient face representation and recognition[J]. Neurocomputing, 2005,69(1-3):224-231.

[6] 彭義剛，謝旭東，徐文立,等. 基于小波變換的人臉識(shí)別技術(shù)綜述[J]. 測(cè)控技術(shù), 2009,28(5):7-10.

[7] 曹 雪. 小波理論在人臉識(shí)別中的應(yīng)用研究[D]. 南京：南京理工大學(xué)， 2012.

[8] 焦李成. 圖像多尺度幾何分析[M]. 西安: 西安電子科技大學(xué)出版社， 2008.

[11] 王 憲，慕 鑫，張 彥,等. 基于曲波域與核主成分分析的人臉識(shí)別[J]. 光電工程, 2011,38(10):98-102.

[12] 閏敬文，屈小波. 超小波分析及應(yīng)用[M]. 北京：國(guó)際工業(yè)出版社， 2008.

[13] 賈西貝. 基于曲波變換的人臉識(shí)別算法研究[D]. 哈爾濱：哈爾濱工程大學(xué)， 2011.

[14] 李 童. 基于改進(jìn)的2DPCA人臉識(shí)別方法研究[J]. 重慶工商大學(xué)學(xué)報(bào):自然科學(xué)版, 2012,29(4):45-49.

[15] CHIEN J T, WU C C. Diseriminant wavelet faces and nearest feature classifiers for face recognition[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2002,24(12):1644-1649.