陳勇++林穎

摘 要： 采用基于PCA（主成分分析）的特征臉人臉識(shí)別方法，判斷一張給定的圖像是否為人臉圖像。該方法通過計(jì)算訓(xùn)練集的特征向量，得到一個(gè)由特征臉組成的子空間，并將訓(xùn)練集中的人臉圖像投影到該子空間中。檢測(cè)人臉時(shí)，將二維的人臉圖像投影到臉空間，并計(jì)算該圖像與臉空間之間的歐幾里得距離，以距離是否小于某一設(shè)定的閥值來識(shí)別是否人臉圖像，實(shí)驗(yàn)測(cè)試結(jié)果準(zhǔn)確率為97.5%。

關(guān)鍵詞：人臉識(shí)別；特征臉；主成分分析

中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)志碼：A

Abstract： The main work of this thesis is to determine whether a given image is a human face picture by using the eigenface approach—a face recognition method based on PCA （Principal Component Analysis）. The approach calculate eigenvector （or eigenface） from the training set to obtain a subspace spanned by the eigenfaces， and then project the face images in training set onto the subspace. When detecting faces， the two-dimensional face image is projected onto the face space and the Euclidian distance between the image and the subspace is computed. If the distance under a chosen threshold， then the image is classified as a face image，the accuracy of the test results is 97.5%.

Key Words： face recognition； eigenface； principal component analysis

1 引言

人臉檢測(cè)是一種是人臉識(shí)別的重要組成部分，因?yàn)槿四樖菑?fù)雜、多維和表情豐富的。人臉檢測(cè)大多數(shù)是檢測(cè)人臉的正面，多姿態(tài)和復(fù)雜背景下的檢測(cè)目前仍然存在較大的困難。從20時(shí)代50-60年代開始，人們就以開始研究人臉識(shí)別[1-3]。人臉識(shí)別技術(shù)可以分為基于幾何特征的方法[4]、基于模板的方法[5]、基于模型的方法[6]。主成分分析（PCA， Principle Component Analysis），是一種統(tǒng)計(jì)學(xué)方法， 其基本思想是提取出空間原始數(shù)據(jù)中的主要特征， 減少數(shù)據(jù)冗余， 使得數(shù)據(jù)在一個(gè)低維的特征空間被處理， 同時(shí)保持原始數(shù)據(jù)的絕大部分的信息， 從而解決數(shù)據(jù)空間維數(shù)過高的瓶頸問題[7-9]。在眾多特征提取技術(shù)中，子空間分析方法因其實(shí)施性好、有效性高等特點(diǎn)，成為人臉圖像特征提取和識(shí)別的主流方法之一。利用特征臉特征，重建識(shí)別人臉，把PCA的子空間方法引入到人臉識(shí)別中，成為一個(gè)人臉識(shí)別方面的重要方向[10]。

2 特征臉方法

特征臉方法將人臉識(shí)別問題視為一個(gè)二維的識(shí)別問題，是通過正交變換來實(shí)現(xiàn)的。特征臉實(shí)際上是由訓(xùn)練圖像的協(xié)方差矩陣計(jì)算得到的特征向量。把這些特征向量還原為圖像，向量定義了一個(gè)人臉圖像的子空間，稱為“臉空間”。訓(xùn)練集中的圖像可以通過特征臉的線性組合與平均臉之和來近似地重建。

檢測(cè)圖像是否為人臉圖像的步驟如下：

（1）選取一個(gè)訓(xùn)練集；

（2）由訓(xùn)練集計(jì)算得到個(gè)對(duì)應(yīng)非零特征值的特征向量，M為訓(xùn)練集中圖像的數(shù)量；

（3）選取特征值最大的前 個(gè)特征向量 ，令 。由這些特征向量構(gòu)造一個(gè)矩陣。這些特征向量將生成一個(gè)臉空間；

（4）將一張新的圖像通過投影矩陣投影到臉空間，計(jì)算原圖像向量與臉空間的歐幾里得距離。設(shè)定一個(gè)閥值 ，當(dāng)這個(gè)距離小于 時(shí)，即認(rèn)為是人臉圖像。

使用ORL人臉庫(kù)，圖像均為112×92的8位灰度圖像?？梢酝ㄟ^把圖像的像素按行或按列排列一個(gè)行或列向量。通常圖像都是 個(gè)像素的。假如選取了M張圖像，那么最終將得到一個(gè) 的矩陣。這個(gè)矩陣的每一列代表一張圖像。將圖像從左到右按列排列成一個(gè)10304維的列向量，這些像素都在同一個(gè)數(shù)值范圍內(nèi)，不需要進(jìn)行其他的處理。

假設(shè)選取了 張人臉圖像，將這些圖像以列向量 表示，將每張圖像減去平均臉。平均臉定義如式（1）所示。

（1）

選取了360張人臉圖像來計(jì)算平均臉，效果如圖1所示。

3 特征值與特征向量

得到訓(xùn)練集之后，就可以計(jì)算特征臉，即計(jì)算協(xié)方差矩陣的特征向量。

設(shè)矩陣 ，協(xié)方差矩陣為 。這是一個(gè)高達(dá)10304維的實(shí)對(duì)稱矩陣，如果直接計(jì)算它的特征向量，計(jì)算量將十分巨大。如果選取的樣本數(shù)量 小于圖像向量的維數(shù) ，那么將只有 個(gè)對(duì)應(yīng)非零特征值的特征向量。

對(duì)應(yīng)于零特征值的特征向量會(huì)將樣本投影到零向量，在這些向量的方向上數(shù)據(jù)沒有任何變化。構(gòu)建臉空間不需要這些特征向量。因此，我們只需要 個(gè)特征向量。事實(shí)上，也只需要計(jì)算一個(gè) 矩陣的特征向量，而不需要去計(jì)算 矩陣的特征向量。

設(shè) 、 為矩陣 的特征值和特征向量，有：

因此，計(jì)算 的特征向量，再左乘 ，就可以得到矩陣的特征向量。 為 維，計(jì)算量小得多。所以，為了計(jì)算協(xié)方差矩陣 的特征向量，先構(gòu)造一個(gè) 維矩陣 ，然后求出該矩陣的特征向量 。再求協(xié)方差矩陣的特征向量 ，在 時(shí)將極大地減少計(jì)算量。

4 人臉識(shí)別

由協(xié)方差矩陣計(jì)算得到的特征向量就是要找的特征臉。特征值較大的特征向量的方向上數(shù)據(jù)的變化也較大，方差較大。由式（5）可以計(jì)算需要保留的前 個(gè)特征向量。選擇保留99%的方差。圖2為計(jì)算出的特征值最大的前12個(gè)特征臉。

5 結(jié)束語

特征臉方法提供了一種可行的人臉識(shí)別的解決方案。從PCA算法入手，實(shí)現(xiàn)了用特征臉方法進(jìn)行人臉識(shí)別，這種方法相對(duì)簡(jiǎn)單，速度快，在背景受約束的條件下表現(xiàn)良好。但是，該算法對(duì)于輸入的圖像要求較高。不同的背景和光照對(duì)于檢測(cè)有較大的影響，實(shí)際應(yīng)用這個(gè)算法，還需要對(duì)圖像進(jìn)行一些預(yù)處理，削弱一些諸如光的強(qiáng)度之類的差異。

參考文獻(xiàn)

[1] Allen A. L. Personal descriptions， London， Butterworth，1950.

[2] Parker F I. Computer generated animation of faces[C]. In Proceedings ACM an Conference，1972，1：451-457.

[3] 孫羽，董洪斌，張宇華.人臉圖象的模糊識(shí)別方法[J].哈爾濱師范大學(xué)自然科學(xué)學(xué)報(bào)：1997，1：78-82.

[4] W Bledsoe. Man-machine facial recognition Panoramic Research Inc[M]， Palo Alto， CA ，1966，Rep PRI：22.

[5] Lanitis A， Taylor C J， Cootes T F. Automatic interpretation and coding of face images using flexible models[J]. IEEE Trans. on Pattern Analysis and Machine Intelligence 19（7）：743-756.

[6] Ara Victor Nefian. A hidden markov model-based approach for face detection and recognition[M]，Georgia Institute of Technology Atlanta，GA，USA，1999.

[7] P. N. Belhumeur， J. P. Hespanha and D. J. Kriengman. Eigenfaces vs.Fishefaces： Recognition Using Linear Projection[J]. IEEE Trans. Pattern Analysis and Machine Intelligence. 1997， 19（7）：711-720.

[8] Jian Yang， David Zhang， F. Alejandro. Two-dimensional PCA： A new approach to appearance-based face representation and recognition[J]. IEEE Trans. on Pattern Analysis and Machine Intelligence.2004， 26（1）：117-129.

[9] M. S. Bartlett， J. R. Movellan and T. J. Sejnow. Face recognition by independent component analysis[J]. IEEE Trans. on Neural Networks. 2002，13（6）：1450-1464.

[10] Phillips P J， Moon H， Rizvi S. The feret evaluation methodology for face recognition algorithms[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2000， 22（10）： 1090-1104.