摘 要： 針對角點(diǎn)特征檢測進(jìn)行人臉識別中特征配準(zhǔn)度低、識別精度不高的問題，提出基于蟻群算法和支持向量機(jī)的人臉識別算法。首先采用支持向量機(jī)算法進(jìn)行人臉多重特征檢測提取，然后對提取到的特征信息采用蟻群算法進(jìn)行訓(xùn)練分類，實現(xiàn)對人臉特征的準(zhǔn)確檢測和分類識別，最后在Matlab仿真平臺上進(jìn)行性能測試，仿真結(jié)果表明，采用該算法進(jìn)行人臉識別的精度較高，訓(xùn)練過程的收斂性較好，計算開銷降低。

關(guān)鍵詞： 蟻群算法； 人臉識別； 支持向量機(jī)； 特征檢測

中圖分類號： TN911.7?34； TP391 文獻(xiàn)標(biāo)識碼： A 文章編號： 1004?373X（2016）21?0092?03

Face recognition based on ant colony algorithm optimizing support vector machine

SUN Shanshan

（College of Information Engineering， Suihua University， Suihua 152000， China）

Abstract： Since the angular point feature detection for face recognition has the problems of low feature registration andrecognition accuracy， a face recognition algorithm based on ant colony algorithm and support vector machine is put forward. The support vector machine algorithm is used to extract the face multi?feature. And then the ant colony algorithm is used to train and classify the extracted feature information to realize the accurate detection， classification and recognition of face feature. The performance is tested on Matlab simulation platform. The simulation results show that the algorithm has high face recognition precision， good convergence in training process， and low computation cost.

Keywords： ant colony algorithm； face recognition； support vector machine； feature detection

0 引 言

隨著圖像處理技術(shù)的發(fā)展，采用圖像智能識別方法進(jìn)行人臉視覺特征分析，對人臉的面部信息特征的提取和信息分析，可實現(xiàn)人臉的智能定位識別[1?2]。這項技術(shù)將在刑事偵查、安全監(jiān)控、圖像數(shù)據(jù)庫信息檢索等領(lǐng)域具有較高的應(yīng)用價值。人臉識別的本質(zhì)是在海量的人臉信息樣本中，通過仿生群訓(xùn)練進(jìn)行特征搜索和提取，結(jié)合專家樣本庫中的人臉采集特征進(jìn)行屬性區(qū)別和分類檢索[3?4]。在信息科技技術(shù)高度發(fā)達(dá)的今天，通過人臉識別能有效提高信息搜索能力，研究人臉識別算法受到相關(guān)學(xué)者和專家的重視[5?6]。

為了提高人臉識別精度，提出基于蟻群算法和支持向量機(jī)的人臉識別算法，結(jié)果表明，采用該算法進(jìn)行人臉識別的精度較高，訓(xùn)練過程的收斂性較好，計算開銷降低。

1 人臉圖像的檢測與樣本訓(xùn)練

首先對人臉圖像進(jìn)行檢測和仿射變換處理，對人臉面部特征進(jìn)行增強(qiáng)處理，提高對人臉識別的準(zhǔn)確性，在仿射不變區(qū)域構(gòu)建人臉圖像的切面圖如圖1所示。

在多維尺度空間中對人臉特征進(jìn)行尺度分解和特征提取，分析人臉變化的動態(tài)特征信息[7]，假設(shè)人臉圖像變換角度為[θ1，]人臉部的特征點(diǎn)信息在旋轉(zhuǎn)變換坐標(biāo)系內(nèi)的特征方程描述為：

[xy1=cos（-θ1）-sin（-θ1）0sin（-θ1）cos（-θ1）0001xy1] （1）

為了使特征部位更加清晰，采用高階不變矩對垂直旋轉(zhuǎn)角度的人臉圖像進(jìn)行面部矯正，得到人臉部的特征點(diǎn)信息，特征點(diǎn)校正方程描述為：

[xy1=cosθ1-sinθ10sinθ1cosθ10001xy1] （2）

式中：[x，y]分別是人臉圖像屬性的各個特征點(diǎn)的二維坐標(biāo)；[x，][y]分別為人臉面部特征信息通過模板匹配的二維坐標(biāo)。

由[x，][y]確定標(biāo)記好的形狀區(qū)域內(nèi)的坐標(biāo)值及調(diào)整前的[x，y]坐標(biāo)處的人臉面部表情信息，選擇一組合適的訓(xùn)練集進(jìn)行主成分分析，得到人臉姿態(tài)變化的矯正過程描述，如圖2所示。

在圖2中，通過人臉姿態(tài)變化的矯正方法進(jìn)行人臉信息特征點(diǎn)的采樣，采用SURF尺度空間搜索方法計算面部特征點(diǎn)的邊緣輪廓信息，構(gòu)建Hessian矩陣進(jìn)行人臉分割[8]，得到分割特征信息的行列式值。對人臉在旋轉(zhuǎn)過程中的投影面進(jìn)行歸一化離散點(diǎn)分解，可獲取極值點(diǎn)。對于輸入的訓(xùn)練樣本人臉圖像中的一個點(diǎn)：[X=（x，y）]，采用小波尺度分解，在尺度為[σ]下的Hessian矩陣[H（x，σ）]定義為：

[H（x，σ）=Lxx（x，σ）Lxy（x，σ）Lxy（x，σ）Lyy（x，σ）] （3）

式中：[Lxx（x，σ）]是人臉圖像二維高斯函數(shù)[g（x，y，σ）]的二階偏導(dǎo)數(shù)；[Lxx（x，σ）=?2?x2g（σ）]是圖像通過三角剖分得到的不規(guī)則像素級。

設(shè)蟻群標(biāo)注的人臉初始位置與目標(biāo)真實特征點(diǎn)坐標(biāo)為[X=（xi0，xi1，…，xi（n-1），yi0，yi1，…，yi（n-1））T，]設(shè)標(biāo)定的特征點(diǎn)坐標(biāo)為[X=（x′i0’，x′i1’，…，x′i（n-1）‘，y′i0，y′i1，…，y′i（n-1））T]，把人臉圖像以離散補(bǔ)零形式定義在某曲面上，分別計算所有樣本人臉圖像中的梯度值[（xij，yij）]，采用自適應(yīng)特征篩選得到人臉圖像的中心像素特征點(diǎn)[（x′ij’，y′ij‘）]與初始像素點(diǎn)的均方誤差為：

[errij=1Ni=1N（x′ij-xij）2+（y′ij-yij）2] （4）

式中：[N]為人臉樣本總數(shù)；[n]為蟻群的數(shù)量。

考慮在蟻群搜索過程中的個體性差異，得到總的誤差為：

[ERR=1nj=0n-1errij=1n×1Nj=0n-1i=1N（x′ij-xij）2+（y′ij-yij）2] （5）

2 蟻群算法優(yōu)化支持向量機(jī)的人臉識別

假設(shè)[F=[f1， f2，…， ft]∈Rs×t]為輸入的人臉多重特征的線性無關(guān)組，[FTDF∈Rs×s]為對人臉的類別屬性進(jìn)行多輪預(yù)測的實對稱正定矩陣，可通過如下方法求解人臉特征的信息素的種類和濃度。以此為信息素進(jìn)行蟻群搜索，得到特征等價向量組[e1，e2，…，et]。令[e1=f1，]螞蟻種群根據(jù)人臉特征變換的發(fā)生概率，得到搜索的信息素規(guī)則：

[ek=fk-i=1k-1eTiDfkeTiDeiei， k=2，…，t] （6）

在迭代搜索過程中第[k]只螞蟻經(jīng)過位置輪換，?。?/p>

[ek=ek（eTkDek）12， k=1，2，…，t] （7）

在Lyapunove泛函的指導(dǎo)下，采用移動規(guī)則感知VR內(nèi)信息素濃度，當(dāng)[k=2]時，[ek=fk-eT1DfkeT1De1e1，]那么位置更替的迭代過程為：

[eT1Dek=eT1Dfk-eT1DfkeT1De1eT1De1=0] （8）

式中：[e1，e2]關(guān)于矩陣[D]正交。

假設(shè)螞蟻在進(jìn)行人臉特征訓(xùn)練中，朝著信息素多的位置移動，得到[l]個向量[e1，e2，…，el]兩兩關(guān)于矩陣[D]正交，存在：

[eTjDek=eTjDfk-i=1k-1eTiDfkeTiDeieTjDei j=1，2，…，k-1] （9）式中：[eTjDek=0， j=1，2，…，k-1]為信息素強(qiáng)度[ek]與前[k-1]個向量[e1，e2，…，ek-1]具有關(guān)聯(lián)規(guī)則性，通過正交匹配投影矩陣[A=[a1，a2，…，ad]]降維提高了人臉特征的匹配性。

設(shè)原始人臉圖像為[S，]模板大小為[m×n]，在平面上的網(wǎng)格蟻群的規(guī)則化網(wǎng)格點(diǎn)分布為[（x，y）x=1，2，…，m；y=1，2，…，n，]在支持向量機(jī)算法進(jìn)行人臉特征提取的輸出空間中，通過蟻群搜索得到正面人臉在[p]平面的二階矩為：

[xy1=1000δsinαsin（α+θ）n2cosα-δ?nose?sinαsin（α+θ）001xy1] （10）

式中：[θ]為輪廓曲線的梯度模；兩臉頰單元尺度變換為[nose；][δ]在特征映射調(diào)整鄰域[（x，y）]處的信息素濃度通過蟻群算法優(yōu)化。

人臉特征匹配的跟蹤量化值[VMmi]為：

[VMmi=j=1TCis_visibleMmi，CjTC-1] （11）

利用人臉圖像的量化編碼信息進(jìn)行歸一化投影匹配，以像素點(diǎn)[j]為中心查找輪廓波域的灰度直方圖，得到橫向和豎向兩個方向的特征屬性輸出：

[A=A0+i=1MAiλi] （12）

最后，在特征子空間中，采用模糊[C]均值算法進(jìn)行圖像邊緣融合，得到人臉特征識別的主方向判別函數(shù)為：

[W（x；p）←W（x；p）°W（x；Δp）-1xIW（x；p）-A0W（x；Δp）] （13）

式中[°]是合成運(yùn)算。

采用蟻群算法進(jìn)行邊緣像素訓(xùn)練，得到像素特征向量的訓(xùn)練序列：

[xIW（x；p）-A0W（x；0）-?A0?W?pΔp2] （14）

計算輸入螞蟻集合在[D]維空間的信息素分配集合為：

[S=（sij）（n+1）×（n+1）， i，j=0，1，2，…，n] （15）

通過蟻群自適應(yīng)尋優(yōu)搜索，位置矢量進(jìn)行螞蟻自身位置[Xbest]調(diào)整。

假設(shè)人臉識別區(qū)域中信息特征模塊的輸入像素特征時間序列為[x（t），][t=0，1，2，…，n-1，]蟻群在進(jìn)行像素特征向量訓(xùn)練搜索過程中的速度矢量和全局最優(yōu)解集分別表示為：

[Xi={xi，1，xi，2，…，xi，D}Vi={vi，1，vi，2，…，vi，D}] （16）

采用一個[1×N]的窗口遍歷蟻群的個體最優(yōu)路徑矢量[pi={pi，1，pi，2，…，pi，D}，]對人臉圖像中的特征信息點(diǎn)通過蟻群算法實現(xiàn)自適應(yīng)歸類，得到人臉識別的分類判別函數(shù)為：

[pkijt=τijtαηij（t）βs∈allowedkτistαηis（t）β，if j∈allowedk0，else] （17）

式中：[τijt+n=1-ρτijt+Δτijt]表示蟻群在尋優(yōu)過程中的梯度最大值。

3 結(jié)果與分析

圖像采集來自于大型人臉數(shù)據(jù)庫ORL人臉數(shù)據(jù)庫[9]，人臉的樣本總數(shù)為200，人臉特征采樣初始頻率[f1=2.1] Hz，終止頻率[f2=0.23]Hz，其他參數(shù)設(shè)定為[10?11][λmin=4，u=0.64，σ=2.0]。根據(jù)上述仿真環(huán)境和參數(shù)設(shè)定，進(jìn)行人臉識別，首先加載樣本，樣本測試集加載結(jié)果如圖3所示。

采用本文方法和傳統(tǒng)方法對不同姿態(tài)的人臉為樣本進(jìn)行識別分析，對比結(jié)果如圖5所示。人臉識別執(zhí)行時間對比結(jié)果見表1。從表1可知，本文方法的人臉識別時間少于傳統(tǒng)方法，人臉性能更好。

4 結(jié) 語

本文研究的人臉高精度識別問題，提出了基于蟻群算法和支持向量機(jī)的人臉識別算法，采用支持向量機(jī)算法進(jìn)行人臉多重特征檢測提取，在多維尺度空間中對人臉特征進(jìn)行尺度分解和特征提取，分析人臉變化的動態(tài)特征信息，對提取到的特征信息采用蟻群算法進(jìn)行訓(xùn)練分類，實現(xiàn)對人臉特征的準(zhǔn)確檢測和分類識別。研究表明，采用本文算法進(jìn)行人臉識別的精度較高，實時性較好，性能優(yōu)越。

參考文獻(xiàn)

[1] 張宇，王曉燕.基于混合灰度差指標(biāo)的低空目標(biāo)圖像檢測方法[J].電子測量與儀器學(xué)報，2015，29（8）：1196?1202.

[2] 余淮，楊文.一種無人機(jī)航拍影像快速特征提取與匹配算法[J].電子與信息學(xué)報，2016，38（3）：509?516.

[3] 郭復(fù)勝，高偉.基于輔助信息的無人機(jī)圖像批處理三維重建方法[J].自動化學(xué)報，2013，39（6）：834?845.

[4] 鄭海峰.基于多尺度Retinex的超聲圖像去噪及增強(qiáng)技術(shù)[J].激光雜志，2016，37（2）：71?73.

[5] KARAMI E， DOBRE O A. Identification of SM?OFDM and AL?OFDM signals based on their second?order cycle stationary [J]. IEEE transactions on vehicular technology， 2015， 64（3）： 942?953.

[6] MOHAMMADKARIMI M， DOBRE O A. Blind identification of spatial multiplexing and altamonte space?time block code via Kolmogorov Smirnov （K?S） test [J]. IEEE communications letters， 2014， 18（10）： 1711?1714.

[7] 代具亭，湯心溢，王世勇，等.掃描型紅外焦平面探測器圖像實時傳輸系統(tǒng)[J].激光與紅外，2016，46（4）：476?480.

[8] 馮洋.基于改進(jìn)的奇異值分解的紅外弱小目標(biāo)檢測[J].激光技術(shù)，2016，40（3）：335?338.

[9] 王云燁，李勃，董蓉，等.基于透射率空間與色彩紋理相關(guān)性的圖像分割[J].電子測量技術(shù)，2015，38（1）：41?46.

[10] 閭素紅，任艷娜.Web方式人臉識別的設(shè)計與實現(xiàn)[J].科技通報，2012，28（9）：186?188.

[11] 龔衛(wèi)國，黃瀟瑩，李偉紅.基于正弦變換的人臉姿態(tài)矯正及識別研究[J].計算機(jī)工程與應(yīng)用，2010，46（22）：213?216.