鄒麗英 孫小權

摘要：小波變換能夠充分突出某些特征的主要特點，通過小波變換可以將一張高維數(shù)的圖片變換成低維數(shù)的圖片，且人臉識別所需要的主要特征保持不變，通過主成份分析可以進一步降維。改進了基于小波變換和主成份分析提取特征向量的人臉識別方法，開發(fā)了基于小波變換及支持向量機的人臉識別系統(tǒng)，實現(xiàn)了對普通圖片和視頻的人臉識別。

關鍵詞：人臉識別；人臉檢測；小波變換；支持向量機

DOIDOI：10.11907/rjdk.161084

中圖分類號：TP319

文獻標識碼：A 文章編號：1672-7800（2016）005-0109-04

1 系統(tǒng)需求分析

小波提供了一種非平穩(wěn)信號的時間—尺度分析手段，小波變換在時域和頻域都能提供良好的局部信息，尤其小波變換降維可降低圖像分辨率，進而降低計算復雜度，因而人臉識別技術中將高維圖片降為低維圖片采用小波變換[1-2]?；谛〔ㄗ儞Q和支持向量機的人臉識別系統(tǒng)核心功能是根據(jù)給定圖片（可以來自視頻） 通過一系列變換，檢測出圖片中的人臉，從人臉圖片中提取特征向量作為支持向量機的輸入，支持向量機輸出識別出的人員代碼，并調用相應人員的信息。系統(tǒng)主要功能模塊為人臉檢測、分類識別、參數(shù)優(yōu)化、分類訓練，如圖1所示。

系統(tǒng)主要功能模塊包括圖像預處理、人臉檢測模塊、小波變換模塊、PCA特征提取模塊、支持向量機參數(shù)尋優(yōu)

模塊、支持向量機訓練模塊、支持向量機人臉識別模塊等[3]，系統(tǒng)流程如圖2所示。

2 主要功能模塊設計

2.1 人臉檢測

人臉檢測的主要目的是在輸入的整幅圖像上尋找人臉區(qū)域，計算機把圖像分割成人臉區(qū)域和非人臉區(qū)域兩個部分。首先確定場景中是否存在人臉，再確定圖像中人臉的位置，將人臉區(qū)域按一定尺寸比例截取。

檢測人臉通過膚色來進行。經(jīng)過濾波、光線補償?shù)膱D片，按照膚色模型提取近似膚色區(qū)域，去除小塊區(qū)域；利用形態(tài)學的原理對類膚色區(qū)域進行腐蝕和膨脹，去除毛刺和孔洞；根據(jù)區(qū)域形狀、大小等參數(shù)初步判斷是否為人臉區(qū)域，截取初步判斷為人臉的區(qū)域，調用人臉/非人臉識別程序判斷是否為人臉[4]。人臉/非人臉識別程序采用支持向量機進行識別判斷，檢測流程如圖3所示。

2.2 小波變換

由于采集到的圖片像素點較多，進行特征提取時，運算量非常大，而圖片中實際上包含了大量的冗余信息，人臉識別中所用到的特征主要是低頻特征，通過小波變換可以提取圖片的低頻信息。小波算法由于計算量較大，常采用濾波器的Mallat算法，也就是用兩個互補的濾波器產(chǎn)生高頻和低頻信號，再進行抽樣分別得到一級小波變換后的分解系數(shù)[4]。

當對圖片進行小波分解時，可以先按行進行一層小波變換，再按列進行一層小波變換。當需要進行多層變換時，可以將上一層變換后得到的低頻系數(shù)作為輸入，再作一層或多層小波分解。圖片二維小波變換實際是在行和列兩個方向上分別進行一維小波分解，多層小波分解實質是對上層小波分解的低頻分量再進行小波分解。

2.3 主成份分析法提取特征向量

主成份分析實際上是對圖片矩陣進行奇異值分解，得到一個對角線為奇異值的對角矩陣（奇異值非負且按降序排列）和圖片矩陣的奇異向量，再對這些矩陣進行運算，得到系數(shù)矩陣、訓練樣本投影后的矩陣、協(xié)方差矩陣特征值[5]。計算協(xié)方差矩陣特征值的累計值，當累計值達到預先設定的能量占比，特征值下標即是應取的維數(shù)，根據(jù)這一維數(shù)，從主成份系數(shù)矩陣和訓練樣本投影矩陣中取出相應的列數(shù)，構成新的主成份系數(shù)矩陣和樣本投影矩陣。識別時，只需將識別樣本向主成份系數(shù)矩陣上投影就得到要提取的特征向量。主成份分析法算法實現(xiàn)在多種編程工具中都進行了封裝，可以直接調用，不再贅述。

2.4 數(shù)據(jù)規(guī)格化

通過PCA變換得到特征數(shù)據(jù)，不同特征最大值和最小值不一樣，有的相差很大。為了使數(shù)據(jù)具有可比性，將不同的特征數(shù)值變化范圍統(tǒng)一在同一值域內(nèi)，而在同一特征內(nèi)部，數(shù)值之間的比例關系不變，因此需要對特征數(shù)據(jù)進行統(tǒng)一的規(guī)格化操作。先確定各特征變化范圍，再求取各特征數(shù)據(jù)的最大值和最小值，將各特征值的實際變化范圍與目標變化范圍的比值作為各特征值的變換系數(shù)，用這一變換系數(shù)對各特征進行數(shù)據(jù)變換，從而得到規(guī)格化的數(shù)據(jù)。對于圖像預處理模塊、PCA特征提取模塊、支持向量機的參數(shù)尋優(yōu)模塊，支持向量機訓練模塊、支持向量機人臉識別模塊不再一一詳述。

3 人臉識別系統(tǒng)實現(xiàn)

MATLAB交互式程序設計語言，具有強大的矩陣運算和操作功能，能夠完成大部分圖像處理工作，本系統(tǒng)采用MATLAB語言程序代碼，實現(xiàn)圖像預處理、人臉檢測模塊、小波變換模塊、PCA特征提取模塊、支持向量機的參數(shù)尋優(yōu)模塊，支持向量機訓練模塊、支持向量機人臉識別模塊等[6-7]。

3.1 人臉檢測算法實現(xiàn)

根據(jù)輸入的圖片，從中檢測出是否有人臉，如果存在人臉，則將人臉區(qū)域進行標記，并裁剪出來。

4 原型系統(tǒng)運行與驗證

第一次使用識別之前，必須對支持向量機進行訓練，而為了得到較好的訓練效果，必須設置合適的參數(shù)，通過參數(shù)尋優(yōu)可以得到優(yōu)化的訓練參數(shù)。本系統(tǒng)通過網(wǎng)格化尋優(yōu)方法進行尋優(yōu)。點擊上排菜單上的訓練，再點擊參數(shù)尋優(yōu)，在輸入框中輸入PCA降維時用的能量占比。因為該原型系統(tǒng)存在兩個樣本庫，一個是人臉/非人臉樣本庫，一個是識別用樣本庫。所以要分別選擇訓練目錄，選擇訓練的文件夾，任點一個訓練文件，程序開始自動計算優(yōu)化參數(shù)。結果參數(shù)寫入相應樣本庫的參數(shù)文件中并在左下方輸出。參數(shù)尋優(yōu)如圖11所示。

圖片人臉識別是從現(xiàn)有的未經(jīng)處理的相片中檢測出人臉并進行識別。一張圖片中可以有多個人臉，該功能模塊需要調用人臉檢測、標準人臉識別等函數(shù)。點擊打開圖片文件按鈕，選擇要識別的圖片，打開圖片文件，進入自動檢測人臉和自動識別。左側窗口顯示原圖片，右側上排顯示檢測出的人臉，下排顯示識別出的人臉。圖片人臉識別如圖12所示。

視頻源人臉識別通過攝像頭等實時拍攝設備或視頻文件，直接從視頻中發(fā)現(xiàn)人臉并進行識別。點擊打開視頻設備或打開視頻文件，程序打開視頻，當發(fā)現(xiàn)需要識別的人臉時，點擊捕獲按鈕，即進入自動檢測人臉和自動識別。左側窗口顯示視頻圖像，右側上排顯示檢測出的人臉，下排顯示識別出的人臉。視頻源人臉識別如圖13所示。

5 結語

本文系統(tǒng)采用MATLAB交互式程序設計語言，具有強大的矩陣運算和操作功能，能夠完成大部分圖像處理，同時節(jié)省編寫低層算法代碼的時間。改進了基于小波變換和主成份分析（PCA）提取特征向量與支持向量機相結合的人臉識別方法。通過小波變換和PCA對圖片降維，人臉識別的主要特征保持不變。應用膚色模型理論進行人臉檢測，通過小波變換和主成份分析法進行人臉特征提取，最后通過支持向量機進行人臉識別，實現(xiàn)了對普通圖片和視頻的人臉識別。從運行結果看，還需進一步調整參數(shù)，使人臉識別效果達到最佳。程序運行實時性欠佳，有待進一步提高其算法功能。

理論和實踐都表明，利用不同原理而得到的多種特征提取方法，具有較強的互補性。多種特征經(jīng)過融合后，可以更全面地反映被測人臉的特征信息，并能提高識別精度。因此，小波特征與其它特征的融合有待于進一步研究。人臉圖像本身是三維的非剛性集合體，三維數(shù)據(jù)能為人臉識別提供更豐富的信息，用二維圖像來識別三維人臉信息，必然會引入一定的誤差，因此基于三維模型的人臉識別必將成為是未來人臉識別發(fā)展的主流。

參考文獻：

[1]XIAOFEI HE，DENG CAI.Learning a maximum margin subspacefor image retrieval[J].IEEE Transactions on knowledge and data engineering.，2008，20（2）：189-201.

[2]JIAN YANG，DELIN CHU，LEI ZHANG.Sparse representation classifier steered discriminative projection with applications to face recognition[J].IEEE Transactions on Neural Networks and Learning Systems，2013，24（7）：1023-1035.

[3]王金云，周暉杰，紀政.復雜背景中的人臉識別技術研究[J].計算機工程，2013，39（8）：196-199.

[4]余嘉，方杰，許可.基于加權小波的DCT人臉識別算法研究[J].計算機工程與應用，2012，48（17）：199-202.

[5]郝靜靜，李莉.一種基于KPCA與LDA的人臉識別改進算法[J].電子技術應用，2013，39（12）：132-134.

[6]樊春玲，陳秀建.基于PCA和LDA的人臉識別系統(tǒng)設計控制工程[J]，2012，19（4）：712-715.

[7]肖瀟，王憲保，王守覺.多自由度神經(jīng)元模型的人臉識別算法研究[J].小型微型計算機系統(tǒng)，2012，33（12）：2693-2695.

[8]周杰，盧春雨，張長水，等.人臉自動識別方法綜述[J].電子學報，2000，28（4）：102-107.

[9]褚勤.基于小波分析和支持向量機的人臉識別方法研究[D].廣州：華南理工大學，2012.5.

[10]王躍明，潘綱，吳朝暉.三維人臉識別研究綜述[J].計算機輔助設計與圖形學學報，2008，20（07）：819-829.

[11]張東.圖書借閱管理系統(tǒng)的人臉識別技術[J].科技與管理，2014，16（04）：65-67.

（責任編輯：陳福時）