任安虎 王 磊

(西安工業(yè)大學(xué)電子信息工程學(xué)院 西安 720021)

?

PCA人臉識(shí)別算法的優(yōu)化*

任安虎 王 磊

(西安工業(yè)大學(xué)電子信息工程學(xué)院 西安 720021)

生物識(shí)別技術(shù)的快速發(fā)展，使得人臉識(shí)別技術(shù)成為研究熱點(diǎn)。主成分分析算法是人臉識(shí)別技術(shù)中被使用最多的算法之一，它因識(shí)別速度快，識(shí)別率高被廣泛認(rèn)可。針對(duì)傳統(tǒng)的PCA算法由于外界的干擾因素會(huì)影響它的識(shí)別率。基于提高PCA算法的識(shí)別率和抗干擾特性，通過(guò)對(duì)原始圖片的去噪聲，直方圖均衡化，歸一化三種預(yù)處理方法，同時(shí)結(jié)合Adaboost算法，能一定程度地提高識(shí)別的成功率和算法的抗干擾性。實(shí)驗(yàn)結(jié)果表明優(yōu)化后的PCA算法的識(shí)別率相對(duì)提高了10%，識(shí)別速率比原始算法提高了30%。

生物識(shí)別技術(shù); 人臉識(shí)別; 主成分分析算法; 識(shí)別率

Class Number TN91

1 引言

伴隨著科技的發(fā)展，人們希望把科學(xué)技術(shù)應(yīng)用于生活，通過(guò)這種方式來(lái)提高生活的舒適度和安全性，比如當(dāng)下比較熱門(mén)的研究課題生物識(shí)別技術(shù)在門(mén)禁系統(tǒng)上的應(yīng)用，而人臉識(shí)別又是智能門(mén)禁系統(tǒng)上必不可少的重要環(huán)節(jié)。人臉識(shí)別是生物識(shí)別技術(shù)中的一種，人臉識(shí)別作為生物特征識(shí)別中的重要的手段，顯示出重要的學(xué)術(shù)價(jià)值[1]。人臉識(shí)別的安全性高可靠性強(qiáng)，被廣泛用于身份認(rèn)證、企業(yè)考勤、安全部門(mén)等生活中的方方面面。

在圖像處理領(lǐng)域中，人臉識(shí)別技術(shù)也是一個(gè)非常重要并且熱門(mén)的研究課題[2]，其主要目的就是從人臉圖像中提取人的面部特征。國(guó)外對(duì)于人臉識(shí)別研究起步較早，從最初的機(jī)械識(shí)別階段到人機(jī)交互階段，直到Karhunen-Loeve變換的提出，為PCA算法在人臉識(shí)別上的應(yīng)用奠定基礎(chǔ)，PCA算法于1991年運(yùn)用到人臉識(shí)別領(lǐng)域，這也使得人臉識(shí)別進(jìn)入了一個(gè)全智能自動(dòng)檢測(cè)的階段。國(guó)內(nèi)相對(duì)于國(guó)外雖然起步晚，但是發(fā)展迅速，國(guó)家863計(jì)劃、國(guó)家科技支撐計(jì)劃和自然科學(xué)基金眾多基金項(xiàng)目都對(duì)人臉識(shí)別的相關(guān)研究做出了重要支撐。國(guó)內(nèi)的科研院校、機(jī)構(gòu)及公司也在人臉識(shí)別技術(shù)上都取得了進(jìn)展。目前人臉識(shí)別的算法有很多，主成分分析法[3]是在國(guó)內(nèi)外被使用最多并且識(shí)別率相對(duì)較高的一種方法。文獻(xiàn)[4]通過(guò)使用 PCA算法對(duì)圖片進(jìn)行降維，然后對(duì)降維后的特征采用LDA算法，訓(xùn)練出一個(gè)最具判別力的分類器，可以使PCA對(duì)光照的魯棒性增強(qiáng)；文獻(xiàn)[5]通過(guò)使用快速積分圖提取人臉的Haar特征，然后把閾值設(shè)定和Adaboost方法結(jié)合，將每次檢測(cè)的最優(yōu)弱分類器級(jí)聯(lián)成強(qiáng)分類器，強(qiáng)弱分類器對(duì)Harr特征進(jìn)行判別，來(lái)實(shí)現(xiàn)人臉部分的檢測(cè)；文獻(xiàn)[6]采用直方圖均衡化來(lái)有效地進(jìn)行增強(qiáng)圖像；文獻(xiàn)[7]通過(guò)結(jié)合傳統(tǒng)PCA算法，提出一種用類內(nèi)平均臉對(duì)類內(nèi)樣本進(jìn)行規(guī)范化的方法，該方法增加類樣本的識(shí)別距離來(lái)提高人臉正確識(shí)別率。然而由于現(xiàn)實(shí)生活的外部環(huán)境是復(fù)雜多變的，人的面部表情和姿態(tài)、光照強(qiáng)弱、臉部的遮擋物等都可能影響到識(shí)別率。本文針對(duì)圖像采集設(shè)備采集人臉圖像時(shí)會(huì)出現(xiàn)的部分問(wèn)題，在人臉的識(shí)別之前進(jìn)行以下預(yù)處理： 1) 對(duì)采集到的圖像去除隨機(jī)噪聲，有效避免圖像一定程度上的失真。 2) 降低因光照不均衡對(duì)識(shí)別結(jié)果造成的影響，可對(duì)圖像采取直方圖均衡化處理。 3) 通過(guò)對(duì)圖像進(jìn)行歸一化處理，可以為后續(xù)的人臉識(shí)別過(guò)程提供大小統(tǒng)一的圖像。同時(shí)，通過(guò)PCA算法和Adaboost算法的相結(jié)合，提高人臉識(shí)別的速率和降低誤識(shí)率。

2 人臉檢測(cè)

Adaboost算法是一種迭代方法[8]，算法的原理是根據(jù)一定的策略，調(diào)整各樣本抽樣權(quán)重，并按照給定的權(quán)重累加這些弱分類器，從而得到具有分類意義的弱分類器組成的強(qiáng)分類器，這樣有利于對(duì)檢測(cè)精確度的提高。圖1為Adaboost算法的級(jí)聯(lián)分類模型。

圖1 級(jí)聯(lián)分類模型

Adaboost方法訓(xùn)練人臉檢測(cè)分類器使用的分類依據(jù)是圖像的矩形特征[9]。讓每級(jí)分類器對(duì)應(yīng)一個(gè)矩形特征，逐級(jí)驗(yàn)證輸入的等待檢測(cè)的窗口，由于整個(gè)分類器是由許多子分類器級(jí)聯(lián)組成的，這樣可以有效地排除大量的反例樣本，即非人臉樣本。若經(jīng)過(guò)其中的分類器驗(yàn)證后結(jié)果為分人臉，則予以排除，并且不再進(jìn)入下一級(jí)分類器的驗(yàn)證。對(duì)于給定的一系列訓(xùn)練樣本圖像(x1,y1),(x2,y2),…,(xi,yi),…,(xn,yn)，其中xi表示第i個(gè)樣本，yi=0表示其為非人臉樣本，yi=1表示其為人臉樣本，算法的具體步驟為

2) 選取具有最小錯(cuò)誤率ξt的弱分類器ht;

其中Dt(i)表示在第t次循環(huán)中第i個(gè)樣本的權(quán)值，H(x)為最終的強(qiáng)分類器，通過(guò)使用OpenCV跨平臺(tái)計(jì)算機(jī)視覺(jué)庫(kù)和其中的人臉人類器，結(jié)合Haar級(jí)聯(lián)臉部檢測(cè)器可以檢測(cè)到圖像中的正面人臉。

3 基于優(yōu)化PCA算法的人臉識(shí)別

設(shè)x為n維的隨機(jī)輸入向量，其相關(guān)矩陣為Q，則知Q=E[xxT]。λ1，λ2，…，λn為特征值，按降序排列，同時(shí)對(duì)應(yīng)的特征向量分別是ω1，ω2，…，ωn?？梢缘贸?/p>

Qωj=λjωj，j=1，2，…，n

(1)

(2)

但是由于現(xiàn)實(shí)的外部環(huán)境是復(fù)雜多變的，人的面部表情和姿態(tài)、光照強(qiáng)弱、臉部的遮擋物等都可能影響到識(shí)別率。因此PCA人臉?biāo)惴ㄗR(shí)別率過(guò)低，需進(jìn)行優(yōu)化。

分別對(duì)圖像中值濾波去除隨機(jī)噪聲，對(duì)圖像進(jìn)行直方圖均衡化處理和使用雙線性插值法對(duì)圖像進(jìn)行大小的歸一化來(lái)對(duì)PCA算法進(jìn)行優(yōu)化，以降低PCA算法對(duì)光照的敏感性和提高PCA算法人臉識(shí)別的成功率。

3.1 隨機(jī)噪聲去除

根據(jù)噪聲特點(diǎn)，對(duì)去除隨機(jī)噪聲有多種方法，但是大多數(shù)是基于中值濾波和均值濾波。其中均值濾波的核心思想即為鄰域平均，通過(guò)求得某區(qū)域的平均值來(lái)去除某一像素的突出值。其基本原理使用均值代替原圖像的各個(gè)像素值。均值濾波能較好地消除圖像上的隨機(jī)噪聲，但是，均值濾波會(huì)導(dǎo)致圖像中不同顏色的分界線上的像素點(diǎn)變模糊，這成為了均值濾波的一個(gè)局限。而中值濾波能相對(duì)較好地避免此類問(wèn)題。中值濾波是一種非線性濾波，其主要思想是取像素周圍點(diǎn)的像素值，將它們按照大小排列，取中間值，若像素個(gè)數(shù)為奇數(shù)個(gè)則取中間值，若像素個(gè)數(shù)為偶數(shù)個(gè)則取中間兩個(gè)像素的平均值，同時(shí)由于原始圖像是彩色，所以要分別對(duì)RGB三個(gè)色彩分量進(jìn)行中值濾波。即

g(x,y)=Med{f(x-k,y-l)}k,l∈W

其中g(shù)(x,y)，f(x,y)分別為原始圖像和處理后的圖像，k,l為二維模板W中的像素點(diǎn)。

3.2 直方圖均衡化

空間域圖像增強(qiáng)比較常用的方法即是直方圖均衡化。它是一種常用并且相對(duì)容易的光照補(bǔ)償方法，其作用是消除光照變化帶來(lái)的影響。通過(guò)對(duì)圖像的直方圖均衡化，可增強(qiáng)圖像的對(duì)比度，同時(shí)也使得亮度在直方圖上更好地分布，在增強(qiáng)局部的對(duì)比度的同時(shí)，并不會(huì)對(duì)整體的對(duì)比度造成影響。

對(duì)于一副灰度圖像，灰度級(jí)rk出現(xiàn)的概率pr(rk)為

式中，n是圖像中的像素總和，L是圖像中可能的灰度級(jí)總數(shù)，灰度級(jí)為rk的像素個(gè)數(shù)為nk。

3.3 圖像歸一化處理

圖2 雙線性插值法

對(duì)人臉定位后的圖像區(qū)域進(jìn)行放大或者縮小，使采集到的圖像大小一致，需進(jìn)行歸一化處理。采用雙線性插值法對(duì)圖像進(jìn)行歸一化處理，如圖2所示。將圖像坐標(biāo)縮放后可能面對(duì)圖中P點(diǎn)坐標(biāo)為P(x，y)的像素值問(wèn)題，其中Q11、Q12、Q21、Q22為已知的四個(gè)像素點(diǎn)，Q11坐標(biāo)為(x1,y1),Q12為(x1,y2),Q21為(x2,y1),Q22為(x2,y2)。其中Q22坐標(biāo)是已經(jīng)得到的值的像素，一般是原圖像坐標(biāo)正向變化所得。

在x方向進(jìn)行線性插值，可得R1，R2的像素值為

在y方向進(jìn)行線性插值，可得P點(diǎn)的像素值

4 實(shí)驗(yàn)結(jié)果及分析

為了測(cè)試改進(jìn)后的PCA算法在識(shí)別率和識(shí)別速度上是否有所提高，采用ORL人臉數(shù)據(jù)庫(kù)進(jìn)行實(shí)驗(yàn)對(duì)比。ORL人臉庫(kù)是英國(guó)劍橋大學(xué)的AT&T實(shí)驗(yàn)室制作的，共包含40個(gè)人的400幅人臉圖像，其中每人的10幅照片的表情，拍攝照片的時(shí)間，光照，臉部的細(xì)節(jié)都是不相同的。每幅圖像的分辨率為112×92，其灰度級(jí)為256個(gè)。圖3為人臉庫(kù)中一個(gè)人的10幅圖像。

圖3 ORL庫(kù)中某一個(gè)人的10幅圖像

第一組實(shí)驗(yàn)從每個(gè)人的10幅圖像中任選3幅圖像作為實(shí)驗(yàn)的訓(xùn)練樣本，剩下的7幅圖像作為實(shí)驗(yàn)的測(cè)試樣本，記作T3。第二組每人任選4張圖像進(jìn)行訓(xùn)練，剩下用于識(shí)別，記作T4。以此類推，總共進(jìn)行五組實(shí)驗(yàn)。每組測(cè)試20次，通過(guò)計(jì)算得出20次識(shí)別后的平均識(shí)別率，即為最終的識(shí)別率，分別測(cè)試傳統(tǒng)的PCA算法和改進(jìn)后的PCA算法。實(shí)驗(yàn)結(jié)果如表1和表2所示。

表1 兩種方法識(shí)別率對(duì)比

表2 兩種方法識(shí)別速率對(duì)比(單位：ms)

通過(guò)表1可以看出相對(duì)于傳統(tǒng)型的PCA算法，改進(jìn)后的算法的識(shí)別率得到了提升，說(shuō)明同樣的實(shí)驗(yàn)條件下，改進(jìn)后的算法抗干擾性能更好；通過(guò)結(jié)合Adaboost算法，標(biāo)記出人臉在圖像中的位置，可以使得PCA算法的檢測(cè)速度有所提升，通過(guò)表2可以得此結(jié)論。對(duì)原始圖像進(jìn)行預(yù)處理，并且與Adaboost算法相結(jié)合，可以明顯提高人臉識(shí)別率，同時(shí)識(shí)別速度也得到了提升。

5 結(jié)語(yǔ)

1) 通過(guò)引入學(xué)習(xí)PCA算法并在人臉識(shí)別上的實(shí)現(xiàn)，提出對(duì)原始圖像進(jìn)行去噪聲、直方圖均衡化處理、大小歸一化處理三種預(yù)處理方法，來(lái)增強(qiáng)PCA算法應(yīng)用于人臉識(shí)別時(shí)的抗干擾性能，相對(duì)于原始的PCA算法，優(yōu)化后的PCA算法識(shí)別率提高了10%。

2) 將Adaboost算法應(yīng)用于人臉檢測(cè)，提出把Adaboost算法和PCA算法相結(jié)合，提高了人臉識(shí)別的速度，同時(shí)降低了誤識(shí)率，實(shí)驗(yàn)可以得到，兩種算法結(jié)合后，識(shí)別速度提高了30%。

由實(shí)驗(yàn)結(jié)果可以看出，優(yōu)化后的PCA算法的識(shí)別率提高，對(duì)光照的敏感性有所降低，識(shí)別速度有所提升，可以為用戶提供更可靠的人臉識(shí)別服務(wù)。

[1] 梁路宏,艾海舟,徐光佑,等.人臉檢測(cè)研究綜述[J].計(jì)算機(jī)學(xué)報(bào),2002,25(5):449-458. Liang Luhong, Ai Haizhou, Xu Guangyou et al. A Survey of Human Face Detection[J]. Chinese Journal of Computers,2002,25(5):449-458.

[2] 黃華盛,楊阿慶.基于PCA算法的人臉識(shí)別[J].電子科技,2015(8):98-101. HUANG Huasheng, YANG Aqing. Face Recognition Based on PCA Algorithm[J]. Department of Computer Science,Guangdong University of Science & Technology,2015(8):98-101.

[3] 張媛,張燕平.一種PCA算法及其應(yīng)用[J].微機(jī)發(fā)展,2005(2):67-68,72. ZHANG Yuan, ZHANG Yanping. An Algorithm of PCA and Its Application[J]. Microcomputer Development.,2005(2):67-68,72.

[4] 伊力哈木·亞爾買買提.基于改進(jìn)型PCA和LDA融合算法的人臉圖像識(shí)別[J].計(jì)算機(jī)仿真,2013(1):415-418,426. YILihamu·YAErmaimaiti. Human Face Reconition Based on Improve PCA and LDA Fusion Algroithm[J].Computer Simulation.,2013(1):415-418,426.

[5] 李盛文,鮑蘇蘇.基于PCA+AdaBoost算法的人臉識(shí)別技術(shù)[J].計(jì)算機(jī)工程與應(yīng)用,2010(4):170-173. LI Shengwen, BAO Susu. Recognition based on PCA+AdaBoost algorithm[J].Computer Engineering and Applications,2010(4):170-173.

[6] 趙勇文,修春波.AdaBoost人臉檢測(cè)算法在人臉定位時(shí)的實(shí)現(xiàn)[J].科技致富向?qū)?2010,21:47-48. ZHAO Yongwen, XIU Chunbo. Realization of AdaBoost Algorithmin the Drivers’ Fatigue Inspection System[J].Guide of Sci-tech Magazine,2010,21:47-48.

[7] Phimoltares S，Lursinsap C，Chamnongthai K. Face detection and facial feature localization without considering the appearanceof image context [J]. Image and Vision Computing(S0262-8856)，2007，25(5)：741-753.

[8] Paul Voila，Michael Jones. Robust real-time face detection [J]. International Journal of Computer Vision(S1573-1405)，2004，57(2)：137-154.

[9] Ma Yong, Ding Xiaoqing, Wang Zhenger, et al. Robust precise eye location under probabilistic framework[ C]//Seoul, Republic of Korea:[ s. n. ], 2004:339-344.

[10] 趙江,徐魯安.基于AdaBoost算法的目標(biāo)檢測(cè)[J].計(jì)算機(jī)工程,2004,30(2):78-83. ZHAO Jiang, Xu Luan. Object Detection Based on AdaBoost Algorithm[J].Computer Engineering,2004,30(2):78-83.

Improvement of Human Face Recognition Algorithm Based on PCA

REN Anhu WANG Lei

(Institute of Electronic Information Engineering, Xi’an Technology University, Xi’an 720021)

With the rapid development of biometrics, human face recognition technology has become a research hotspot. PCA algorithm is one of the most adopted algorithms for human face recognition, and has gained wide recognition for its high identification speed and accuracy. Conversely, with external interference factors, traditional PCA algorithm is affected in its identification efficiency. The results of the present experiment indicate that identification accuracy and anti-jamming of algorithm are improved through combining with Adaboost algorithm and adopting three pretreatment methods in original image processing: de-noise processing, histogram equalization and histogram normalization.The experiment result shows that the identification of improved PCA has increased 10% than traditional PCA algorithm, and identification speed has increased 30%.

biometrics, face identification, PCA algorithm, identification efficiency

2016年5月10日,

2016年6月27日

陜西科學(xué)技術(shù)研究發(fā)展計(jì)劃項(xiàng)目(編號(hào)：2014K05-19)；西安工業(yè)大學(xué)校長(zhǎng)基金(編號(hào):XAGDXJJ1214)資助。作者簡(jiǎn)介:任安虎，男，碩士，副教授，研究方向：通信與信息處理。王磊，男，碩士，研究方向：嵌入式系統(tǒng)與圖像處理。

TN91

10.3969/j.issn.1672-9722.2016.11.002