吳錫生，魏月納

(江南大學 物聯(lián)網(wǎng)工程學院，江蘇 無錫 214122)

基于特征融合的人臉識別新算法

吳錫生，魏月納

(江南大學 物聯(lián)網(wǎng)工程學院，江蘇 無錫 214122)

針對基于傳統(tǒng)Gabor小波變換的人臉特征提取存在維數(shù)高的不足，提出了一種基于改進的Gabor特征融合和SVM的人臉識別算法，并用二維傅里葉變換進行加速求解，提高了特征提取的速率。提取了人臉圖像的Gabor多方向和多尺度特征，然后對同一方向上不同尺度的特征進行融合，再采用fastPCA算法對融合后的特征進行降維，最后用改進的SVM分類器即混合核函數(shù)分類器進行分類識別，并利用兩種處理模式對分類器進行融合。在FERET和ORL人臉庫上進行了實驗，結(jié)果表明該算法能有效地表征人臉，具有較高的識別率。

人臉識別；Gabor特征融合；改進SVM；分類器融合

0 引 言

作為人工智能與模式識別的研究熱點之一，人臉識別占有十分重要的地位。與其他生物特征相比，人臉是一種最自然的特征，因此人臉識別在身份認證、公共安全以及監(jiān)控方面得到了廣泛應用。由于人臉圖像易受表情、光照、年齡、噪聲、頭發(fā)或者眼鏡遮擋等因素的影響，因此提取區(qū)分性好且魯棒性高的面部特征，構建高性能分類器，提高識別率，一直是人臉識別領域的重點和挑戰(zhàn)[1-2]。為此國內(nèi)外研究人員進行了大量的研究工作，提出了許多有效的特征提取方法。

由于Gabor濾波器可以捕捉人臉在不同方向和不同尺度的局部特征信息，對光照變化和人臉姿態(tài)不敏感，因此廣泛應用于人臉識別[3]系統(tǒng)。徐杰等[4]提出結(jié)合Gabor和PCA算法，先對人臉圖像進行Gabor小波變換，得到Gabor小波特征，再用PCA進行降維，有效地提高了識別率。針對Gabor人臉特征的高維特性，王憲等[5]提出了分塊思想，結(jié)合分塊的PCA和Gabor濾波器，選擇最鄰近分類器，有效提高了人臉識別率。周家銳等[6]將Gabor與Memetic算法相結(jié)合，先優(yōu)化Gabor濾波器組，然后提取更有區(qū)分度的人臉特征，從而提高人臉識別率。鄧洪波等[7]在特征提取時選用局部Gabor濾波器組，不僅減少了計算量還提高了特征提取的速度。

目前Gabor特征提取一般有兩種方法:

(1)提取Gabor特征，然后采用一些降維算法降低特征維數(shù)；

(2)選取部分尺度和方向上的Gabor特征，然后再降低特征維數(shù)。

目前常見的分類器有K近鄰、神經(jīng)網(wǎng)絡等算法[8-9]。K近鄰算法雖然簡單易實現(xiàn)，但其分類性能不好；而神經(jīng)網(wǎng)絡學習存在過擬合、收斂速度慢等缺陷。

基于上述分析，文中提出了一種新的Gabor特征融合、同時對SVM進行改進的人臉識別算法，在不丟失Gabor特征的基礎上，對相同方向不同尺度的特征進行融合，初步降低了特征維數(shù)，再采用fastPCA進行二次降維，然后設計SVM分類器。

1 改進的人臉識別算法流程

改進的特征融合和SVM的人臉識別流程可以簡述為：對人臉圖像進行Gabor小波變換，并對得到的Gabor特征進行融合，消除其冗余信息，初步降低特征維數(shù)，然后用fastPCA算法再次對特征矩陣進行二次降維，最后構建支持向量機分類器，輸出人臉識別結(jié)果。

2 人臉特征提取

2.1 Gabor變換

二維Gabor小波的核函數(shù)響應不管是在頻域還是空域，都有很好的分辨能力，能表現(xiàn)出良好的方向選擇性和空間局部特性[10]，同時對光照變化、姿態(tài)也不敏感。二維的Gabor小波變換表達式[11]為:

(1)

對于一張人臉圖像I(x,y)，將其與式(1)進行卷積，得到：

Mu,v(z)=I(x,y)?ψu,v(x,y)= ?I(x,y)·ψu,v(x,y)dxdy

(2)

在此利用快速FFT算法對式(2)進行計算，若用ξ、ξ-1表示傅里葉變換及其反變換，則根據(jù)卷積定理有：

ξ{Mu,v(x,y)}=ξ{I(x,y)*ψu,v(x,y)}=ξ{I(x,y)}*ξ{ψu,v(x,y)}

(3)

Mu,v(x,y)=ξ-1{ξ{I(x,y)}*ξ{ψu,v(x,y)}}

(4)

由此便得到對應尺度和方向的人臉特征表示，其結(jié)果見圖1，則整張人臉可以表示為：{Mu,v(z)|u∈(0,1,…,7),v∈(0,1,…,4)}。

圖1 Gabor特征

2.2 特征融合

從圖1中可看出，Gabor變換后，一張人臉圖像有40張Gabor特征圖，對于相同方向不同尺度的Gabor特征圖有些相似，從而存在數(shù)據(jù)冗余，而且特征維數(shù)很高。文獻[13]提出一種二進制編碼融合規(guī)則，對相同尺度下不同方向的Gabor特征進行融合；文獻[11]則提出了和、最小值、最大值等融合規(guī)則，分別對相同方向不同尺度、相同尺度不同方向的特征進行融合，結(jié)果表明對相同方向不同尺度的融合要比對相同尺度不同方向的融合能更有效地表征人臉特征。因此文中在文獻[13]的基礎上，對同一個方向上不同尺度的Gabor特征進行融合，以提高人臉識別效率。

若Gabor特征實部用Re(Mu,v(z))表示，虛部用lm(Mu,v(z))表示，則其融合規(guī)則如式(5)和式(6)所示：

(5)

(6)

按此規(guī)則把在不同尺度但同一個方向的Gabor特征編碼成二進制，然后再對其進行融合成為十進制編碼，其形式如下：

(7)

(8)

通過式(7)和式(8)，對每一個方向的Gabor尺度特征進行融合，即把40張Gabor特征圖降到了8個方向上，其融合結(jié)果如圖2所示。

圖2 融合后的結(jié)果

最后人臉特征向量選用融合后的Gabor幅值向量表示：{Mu(z)|u∈(0,1,…,7)}。

這樣一幅圖像經(jīng)過Gabor特征提取并融合后，得到了8組特征矢量，針對這8組特征矢量有兩種處理方式：

(1)可以將其簡單級聯(lián)成一個長特征矢量X，然后對X進行學習和識別分類；

(2)分別對單組特征矢量進行學習和分類，然后再對8組分類結(jié)果進行融合。

由于一般圖像的維數(shù)比較高，直接將特征級聯(lián)會導致維數(shù)過大而難于處理，因此文中采用fastPCA對特征矢量X再次進行降維，以減少運算量。

3 改進的支持向量機算法

作為一種機器學習算法，支持向量機以統(tǒng)計學習理論為基礎，它通過核函數(shù)的引入，很好地解決了非線性分類問題。但是核函數(shù)的選擇是SVM應用領域遇到的一個重大難題，至今為止都沒有具體的方法和理論指導，通常是靠經(jīng)驗選取核函數(shù)[14]。

支持向量機(SVM)對小樣本、高維等問題具有較好的分類性能，算法原理如下所述。

設有訓練集：(x1,y1),…,(xL,yL),xi∈Rn,yi∈{-1,+1},用SVM算法求解約束極值問題，即：

(9)

其中，K(xi,xj)為核函數(shù)，它滿足Mercer條件，常用的核函數(shù)有：

(2)徑向基函數(shù)(RBFkernel)：K(x,y)=exp{-g‖x-y‖2}；

(3)多項式核函數(shù)(Polykernel)：K(x,xi)=[(x·xi)+1]d；

(4)多層感知機(Sigmoidkernel)：K(x,xi)=tanh(γ·(x,xi)+θ)，其中c、v、g均為常數(shù)。

訓練后分類函數(shù)即為：

(10)

其中，αi、b0為約束極值問題的最優(yōu)解。

在SVM中，眾多核函數(shù)各有千秋，而核函數(shù)的選取主要借助于經(jīng)驗。經(jīng)研究發(fā)現(xiàn)，徑向基核函數(shù)是典型的全局核函數(shù)，而多項式核函數(shù)則是典型的局部核函數(shù)，二者在一定的定義區(qū)間內(nèi)具有很好的性能[15]。而采用Sigmoid核函數(shù)時，支持向量機實現(xiàn)的是一種多層感知器神經(jīng)網(wǎng)絡，在訓練的過程中隱含層節(jié)點數(shù)目以及節(jié)點對輸入節(jié)點的權值都是自動確定，支持向量機的理論基礎決定了它最終求得的不是局部最小值而是全局最優(yōu)值，從而保證了它不會出現(xiàn)過學習現(xiàn)象，具有很好的泛化能力。在式(10)中選用不同的核函數(shù)即構造不同的分類器，參考文獻[15]將二個核函數(shù)組合使用的方法，對Sigmoid函數(shù)和多項式核函數(shù)進行組合，即：

Kmix=μKpoly+(1-μ)Ksigmoid

(11)

將式(11)代入式(10)即得到新的分類器，記為K-SVM，表示為：

(12)

4 實驗結(jié)果與分析

為驗證文中特征融合算法的可靠性和基于組合混合核函數(shù)的SVM分類的有效性，采用FERET和ORL人臉庫，在IntelCoreI5處理器、4GB內(nèi)存、Win7旗艦版及MatlabR2010a下編程實現(xiàn)，并與文獻[13-15]進行對比。

4.1 ORL人臉庫的實驗分析

ORL數(shù)據(jù)庫共有40人，每人10張圖片共400張圖片，圖片大小為92×112。為了方便計算，在此將圖片尺寸歸一化為32×32，部分人的圖片有光照、表情、姿態(tài)的變化，每個人的圖片選用前5張用來訓練，剩余的用來測試。先對每張圖片進行特征提取，再進行融合，然后對提取后的8組特征矢量按照以下兩種方式進行處理。

(1)將8組特征矢量簡單級聯(lián)成一個長特征矢量X，然后對X進行學習和識別分類。文中經(jīng)過多次實驗可知，在特征維數(shù)為20時識別率趨于平穩(wěn)，而隨著特征維數(shù)的增大，訓練和識別的速度將嚴重下降，因此綜合考慮時間和精準度，降維后的維數(shù)統(tǒng)一選用20(其中，參數(shù)μ=0.95時分類性能最優(yōu))。在特征維數(shù)為20時，文中算法和相關文獻的比較結(jié)果如表1所示。其中與文獻[15]的比較只用了其中的混合核函數(shù)分類器，而特征提取用的是文中算法。從實驗結(jié)果可以看出，文中算法融合后的Gabor特征比傳統(tǒng)的Gabor特征和文獻[13]融合后的特征能更好地區(qū)分人臉，有效提高了識別率。

表1 四種算法在ORL庫上識別結(jié)果的比較

(2)對各單組特征矢量進行學習和分類，得到8組局部分類器，然后再根據(jù)投票決策對其局部分類器進行融合。先根據(jù)單個特征識別率的高低排序，選擇最高的三個特征融合為新的第一組，同時組合最低的三個為第二組，再將這兩組和剩余的兩個特征即四組分類器整合為一個分類器。其單個特征的識別率以及融合局部分類器后的識別率如圖3所示。

圖3 識別率(1)

在特征矢量維數(shù)為20時，方式(1)的識別率為95.6%，而方式(2)的識別率為96%，因此文中選用后者，即對單個特征進行訓練和學習得到單個分類器，再對8組局部分類器進行融合，以進一步提高識別率。

4.2 FERET人臉庫的實驗分析

FERET包括了一個通用人臉庫以及通用測試標準，同一人包括不同表情、光照、姿態(tài)和年齡的照片，從中選取600張圖像即60人每人10張，并將其裁剪為128×128。為了便于計算，尺寸統(tǒng)一歸一化為32×32，每個人的圖片選用前5張用來訓練，剩余的用來測試。

(1)首先提取圖像特征，并進行融合得到8組特征矢量，將其級聯(lián)成一個長特征矢量X，然后對X進行學習和分類識別。在特征維數(shù)為20時四種算法在FERET數(shù)據(jù)庫上的識別率如表2所示(參數(shù)μ=0.95時分類性能最優(yōu))。

表2 四種算法在FERET庫上識別結(jié)果的比較

由表2可以看出，文中算法在FERET數(shù)據(jù)庫上的識別率同樣優(yōu)于其他算法。

(2)對單個特征矢量進行學習分類，單個特征的識別率如圖4(a)所示，同樣根據(jù)識別率進行排序，即組合1、4、7為新的第一組分類器，再組合2、3、5為第二組，另外6、8分別為第三組、第四組，再將新的四組分類器整合為一個分類器，其識別率如圖4(b)所示。相比第一種處理方式識別率進一步得到了提高。

圖4 識別率(2)

4.3 結(jié)果分析

由表1和表2可以看出，文中提出的融合同一方向不同尺度的特征比文獻[13]提出的融合同一尺度不同方向的特征更能表征人臉的特性，識別率更高。但由于文中是對融合后的8個特征矢量進行學習和分類，而文獻[13]是對融合后的5個特征矢量進行學習，因此在速度方面不如文獻[13]。而且通過組合Sigmoid和多項式核函數(shù)，取長補短，不僅保證了離測試點較遠點的函數(shù)值衰減慢，而且使測試點附近有較大的函數(shù)響應值，從而更充分地綜合了兩個核函數(shù)的優(yōu)勢，使得混合核函數(shù)的泛化能力得到了明顯提高，且Sigmoid和多項式核函數(shù)的組合要優(yōu)于文獻[15]提出的徑向基和多項式核函數(shù)的組合。

實驗結(jié)果表明，文中算法對于不同的數(shù)據(jù)庫都略優(yōu)于其余文獻，有良好的識別性能，并且對于不同姿態(tài)、表情、光照都有一定的魯棒性，而且還具有較低的計算量，能較好地滿足人臉圖像識別的實時性要求。

5 結(jié)束語

提出的人臉識別算法首先對人臉提取不同尺度、不同方向的Gabor特征，然后對相同方向不同尺度的特征進行融合，并采用組合核函數(shù)的SVM進行識別分類，結(jié)果表明該算法有很好的識別性能，并且在實際化工廠人員的身份驗證中取得到了良好的識別效果。針對更加復雜條件下(比如攝像機拍攝角度不同)的訓練樣本不足的人臉識別將是研究者下一步的研究重點。

[1] Adana Y，Moses Y，Ullman S．Face recognition:the problem of compensating for changes in illumination direction[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2011，19(7):721-732．

[2] Andres A M,Padovani S,Tepper M,et al.Face recognition on partially occluded images using compressed sensing[J].Pattern Recognition Letters,2014,36(15):235-242．

[3] 張 瑩，王耀南．基于Gabor濾波器包絡的人臉識別算法[J].中國圖象圖形學報，2008，13(12):2314-2320．

[4] 徐 杰，施鵬飛.基于Gabor小波特征的多姿態(tài)人臉圖像識別[J].計算機工程與應用，2003,39(21):17-18.

[5] 王 憲，陸友桃，宋書林，等.基于Gabor小波變換與分塊PCA的人臉識別[J].計算機工程與應用，2012，48(3):176-178．

[6] 周家銳，紀 震，沈琳琳，等．基于Gabor小波與Memetic算法的人臉識別方法[J].電子學報，2012，40(4):642-646．

[7] 鄧洪波，金連文．一種基于局部Gabor濾波器組及PCA+LDA的人臉表情識別方法[J].中國圖象圖形學報，2007，12(2):322-329．

[8] George A N S，Belhumeur P N，Kriegman D J．From few to many:illumination cone models for face recognition under variable lighting and pose[J]．IEEE Transactions on Pattern Analysis and Machine Intelligence，2011，23(6):643-660．

[9] 唐京海，張有為．基于FLD特征提取的SVM人臉表情識別方法[J]．計算機工程與應用，2006，42(11):10-12．

[10] Chai Zhenhua,Sun Zhenan,Mendez-Vazquez H,et al.Gabor ordinal measures for face recognition[J]．IEEE Transactions on Information Forensics and Security,2014,9(1):14-26.

[11] 王 琳，李勇平，王成波，等.基于二維Gabor小波矩陣表征人臉的識別算法[J].計算機工程，2008,34(2)：8-10.

[12] Su Y,Shan S,Chen X,et al.Hierarchical ensemble of global and local classifiers for face recognition[J].IEEE Transactions on Image Processing,2009,18(8):1885-1896.

[13] 薛 濤，劉瀟瀟，張海兵.基于Gabor特征融合和LSSVM的人臉識別算法[J].計算機應用與軟件，2014,31(7):191-194.

[14] 李云峰，歐宗瑛.基于Gabor小波變換和支持向量機的人臉識別[J].計算機工程，2006,32(19):181-182.

[15] 諶 璐，賀興時．改進的支持向量機算法在人臉識別上的應用[J]．紡織高?；A科學學報，2015,28(1):108-115.

A New Face Recognition Algorithm Based on Feature Fusion

WU Xi-sheng，WEI Yue-na

(School of Internet of Things Engineering,Jiangnan University,Wuxi 214122,China)

Considering the high dimensional deficiencies of face feature extraction based on traditional Gabor wavelet transform,a face recognition algorithm based on improved Gabor feature fusion and SVM is proposed,and it accelerates the solving process with the two-dimensional Fourier transform and improves the rate of feature extraction.The Gabor multi-directional and multi-scale features of face image are extracted,then fusing of the features in the same direction at different scales,after that,the dimension of fused feature by fastPCA algorithm is reduced.Finally the face images are recognized with the improved SVM classifier based on mixed kernel function,and the classifier is fused by using two kinds of processing pattern.The experimental result is conducted on face database like FERET and ORL,which shows that the algorithm can effectively characterize face and improve recognition rate.

face recognition;Gabor feature fusion;improved SVM;classifier fusion

2016-02-14

2016-06-16

時間：2016-11-22

國家自然科學基金資助項目(61373055)；江蘇省產(chǎn)學研聯(lián)合創(chuàng)新資金項目(BY2013015-35)

吳錫生(1959-)，男，教授，CCF會員，研究方向為模式識別；魏月納(1987-)，女，碩士，研究方向為模式識別。

http://www.cnki.net/kcms/detail/61.1450.TP.20161122.1227.022.html

TP301.6

A

1673-629X(2017)01-0065-05

10.3969/j.issn.1673-629X.2017.01.015