徐靜妹，李 雷

(南京郵電大學(xué)，江蘇 南京 210023)

0 引 言

自動(dòng)人臉識(shí)別技術(shù)是近年來學(xué)術(shù)界一直關(guān)注的焦點(diǎn)，廣泛應(yīng)用于身份認(rèn)證系統(tǒng)、視頻監(jiān)控系統(tǒng)以及圖像檢索應(yīng)用，比如現(xiàn)場(chǎng)監(jiān)控、城市安全、休閑娛樂等[1]。

人臉識(shí)別的基本步驟包括圖像預(yù)處理，特征選擇和提取，分類和評(píng)價(jià)。從圖片或視頻傳感器中采集的原始圖像首先要經(jīng)過預(yù)處理，以便適合于特征提取。特征選擇和提取主要分為兩種方法：整體方法和局部方法。一般來說，整體方法包括基于主成分分析的方法(PCA)[2-4]、線性判別分析(LDA)[5-7]等；局部方法包括基于小波分析的方法[8-9]、保投影(LPP)[10]等。在關(guān)鍵特征提取完成后，再通過分類獲得識(shí)別結(jié)果。分類識(shí)別根據(jù)是否學(xué)習(xí)可分為三種方法：監(jiān)督學(xué)習(xí)、半監(jiān)督學(xué)習(xí)以及無監(jiān)督學(xué)習(xí)[11]。目前監(jiān)督和無監(jiān)督聚類方法已被開發(fā)應(yīng)用于人臉識(shí)別。其中基于監(jiān)督學(xué)習(xí)的分類主要有兩種方法，一種是基于貝葉斯理論的方法，包括有參數(shù)和無參數(shù)兩種類型。高斯混合模型、隱馬爾可夫模型、主成分分析、多元判別分析(MDA)等都屬于參數(shù)化方法；最近鄰估計(jì)(NN)、K-鄰近估計(jì)(KNN)[12]、最近子空間(NS)等都屬于無參數(shù)方法。另一種方法是判別分析，又分為線性和非線性方法。針對(duì)線性問題，F(xiàn)isher判別技術(shù)和支持向量機(jī)(SVM)是已知比較好的方法[13]。近年來，隨著壓縮感知理論的誕生，Wright等[14]也提出了一種人臉識(shí)別中典型的全局線性方法-基于稀疏表示的分類算法(SRC)。

可以看出用于人臉識(shí)別的方法有多種，理論上說，一些方法可以組合應(yīng)用于人臉識(shí)別。例如，Gabor，PCA，LPP等往往會(huì)與分類方法相結(jié)合，比如神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、核函數(shù)方法等。文中即采用這種組合，由于基于稀疏表示的人臉識(shí)別準(zhǔn)則是重構(gòu)殘差最小，對(duì)于一個(gè)測(cè)試樣本，需要計(jì)算其與其他每一個(gè)樣本的相似度，識(shí)別效率低。針對(duì)這個(gè)缺點(diǎn)，提出將支持向量機(jī)作為最后分類的工具，這樣就將SRC和SVM組合形成一種新的人臉識(shí)別方法，并且，文中對(duì)選用的SRC算法又做了一定的改進(jìn)。

1 基于SRC的人臉識(shí)別

1.1 基于稀疏表示的人臉識(shí)別模型

SRC是人臉識(shí)別中一種典型算法。該算法不考慮樣本的局部信息而是考慮整體信息，假設(shè)測(cè)試樣本可近似表示為所有訓(xùn)練樣本的線性組合，每個(gè)訓(xùn)練樣本的像素信息轉(zhuǎn)換成列向量從而組成訓(xùn)練矩陣。由于CS的非自適應(yīng)性，投影訓(xùn)練矩陣的正交基可以得到稀疏矩陣，并且不會(huì)影響原問題的解決。這個(gè)稀疏矩陣就是對(duì)訓(xùn)練圖像的稀疏表示，也稱為測(cè)量矩陣。SRC算法的步驟如下：

(1)訓(xùn)練樣本矩陣A=[A1,A2,…,Ak]∈Rm×n，測(cè)試樣本y∈Rm作為算法的輸入。

(2)對(duì)矩陣A的列進(jìn)行規(guī)范化，得到L2范數(shù)。

(3)求解L1范數(shù)問題。

(1)

或者作替換求解：

(2)

(4)計(jì)算殘差。

(3)

(5)輸出(y)=argminiri(y)。

上述算法是在理想的情況下得到的，而在測(cè)試圖像被部分損壞或遮擋的情況下，將式(1)修改為：

(4)

其中，e0∈Rm為一個(gè)具有非零元素的誤差向量。這個(gè)誤差不可忽略。通常，e0可假設(shè)為對(duì)一些基Ae∈Rm×n的一個(gè)稀疏表示。那么式(4)可修改為：

(5)

方程(5)可以轉(zhuǎn)換為一個(gè)擴(kuò)展的L1范數(shù)最小化問題：

(6)

式(3)修改為：

(7)

1.2 SRC的求解方法

1.2.1梯度投影法(GPSR)

梯度投影法[15]屬于凸優(yōu)化方法，采用拉格朗日算法解決式(1)中的最小L1范數(shù)問題，其中λ是拉格朗日乘數(shù)。則問題可以轉(zhuǎn)化為：

λ‖x‖1

(8)

運(yùn)用截?cái)嗯ｎD內(nèi)點(diǎn)方法(TNIPM)即L1LS算法，求解這個(gè)二次規(guī)劃問題。那么，式(8)可以轉(zhuǎn)化為一個(gè)不等式約束的二次規(guī)劃問題：

(9)

其中，通過對(duì)數(shù)柵欄函數(shù)構(gòu)造約束條件-ui≤xi≤ui的誤差部分：

(10)

在(x,u)域上，可以得到最小值(x*(t),u*(t))的凸函數(shù)為：

(11)

其中，參數(shù)t∈[0,∞)。

利用最小化標(biāo)準(zhǔn)的內(nèi)點(diǎn)法來計(jì)算上式優(yōu)化后的搜索梯度方向。

(12)

從而可以很容易根據(jù)這個(gè)優(yōu)化后的搜索梯度方向再求得稀疏表示的稀疏系數(shù)。

1.2.2正交匹配追蹤法(OMP)

正交匹配追蹤法[16]屬于貪婪算法，其主要思路為：在每次迭代過程中，從觀測(cè)矩陣Φ的列向量中選出與當(dāng)前冗余向量最相關(guān)的列，并將其從測(cè)量向量中減去，然后進(jìn)行下一次迭代，直到迭代次數(shù)達(dá)到所需的稀疏度為止。在此過程中，所選擇的列要盡可能正交。OMP這一特點(diǎn)加速了殘差值收斂的速度，并減少了算法迭代的次數(shù)。

算法步驟如下：

輸入：測(cè)量矩陣Φ，采樣向量y，稀疏度K

(2)更新索引集Λt=Λt-1∪{λt}，記錄找到的測(cè)量矩陣中的重建原子集合Φt=[Φt-1,φλt]；

(5)判斷是否滿足t>K，若滿足，則停止迭代；若不滿足，則執(zhí)行(1)。

在具體實(shí)現(xiàn)中，OMP算法的運(yùn)行速度要比基于最小L1范數(shù)的凸優(yōu)化算法的運(yùn)行速度快，因此文中選取OMP算法求解人臉圖像的稀疏表示。

2 基于SVM的多分類方法

2.1 二分類支持向量機(jī)

假設(shè)已知訓(xùn)練樣本為{xi,yi}，其中yi=±l,i=1,2,…,l，xi為向量機(jī)輸入，l為樣本數(shù)，yi=1時(shí)為正常，yi=-1時(shí)為異常。SVM目標(biāo)就是尋求這樣一個(gè)最優(yōu)分類超平面使其w·x+b=0，對(duì)于訓(xùn)練樣本需要滿足：

yi[w·x+b]-1≥0

(13)

式(13)可以轉(zhuǎn)化為二次規(guī)劃問題：

(14)

其中，C為懲罰因子；ξi為松弛因子。

利用拉格朗日乘數(shù)法可將式(14)轉(zhuǎn)化為求它的對(duì)偶問題：

(15)

(16)

其中，K(x,xi)表示一個(gè)核函數(shù)；sgn(g)表示符號(hào)函數(shù)。

2.2 一對(duì)多分類法

“一對(duì)多”算法，即第n個(gè)分類器為解，由第n類樣本集合和剩下的n-1類樣本集合全體構(gòu)成兩類問題得到，這樣就需要構(gòu)造n個(gè)分類器，然后對(duì)于一個(gè)測(cè)試樣本進(jìn)行分類識(shí)別。

該算法的數(shù)學(xué)模型如下[17]：

(18)

決策函數(shù)為：

fi(x)=[(ωi)Tφ(x)+bi],i=1,2,…,M

(19)

2.3 一對(duì)一分類法

該算法的數(shù)學(xué)模型如下：

(20)

決策函數(shù)為：

Fij(x)=[(ωij)Tφ(x)+bij],i=1,2,…,M,

j=i+1,…,M

(21)

3 文中方法-基于SRC和SVM的人臉識(shí)別

基于稀疏表示分類的人臉識(shí)別是將人臉圖像數(shù)據(jù)直接作為稀疏表示的過完備字典，計(jì)算量大、冗余信息多。針對(duì)這個(gè)缺點(diǎn)，文中提出用KPCA提取后的人臉特征信息作為稀疏表示的過完備字典，大大降低了計(jì)算成本，但是求解稀疏表示模型的方法選取的是梯度投影方法,發(fā)現(xiàn)求得的測(cè)試樣本稀疏系數(shù)中，非零系數(shù)會(huì)出現(xiàn)在非樣本所在類，影響了識(shí)別效果。針對(duì)這個(gè)缺點(diǎn)，提出用正交匹配追蹤法(OMP)求解稀疏表示模型。該算法可以通過設(shè)置稀疏閾值來控制稀疏系數(shù)的稀疏度，在非樣本對(duì)應(yīng)類出現(xiàn)的就都是零了；此外，基于稀疏表示分類的人臉識(shí)別的識(shí)別準(zhǔn)則是重構(gòu)殘差最小，對(duì)于一個(gè)測(cè)試樣本，需要計(jì)算其與其他每一個(gè)樣本的相似度，識(shí)別效率低。針對(duì)這個(gè)缺點(diǎn)，提出將支持向量機(jī)作為最后分類的工具，實(shí)驗(yàn)結(jié)果表明，可以提高人臉識(shí)別的速度和準(zhǔn)確率。

綜上，提出了結(jié)合稀疏表示和支持向量機(jī)的人臉識(shí)別方法，具體實(shí)現(xiàn)流程如圖1所示。

圖1 人臉識(shí)別實(shí)現(xiàn)流程

具體步驟如下：

(3)訓(xùn)練：將訓(xùn)練集中的每個(gè)樣本用A稀疏表示，通過OMP算法求解稀疏系數(shù)，作為訓(xùn)練數(shù)據(jù)集train-s，然后使用Libsvm工具箱中的svmtrain函數(shù)進(jìn)行訓(xùn)練；

(4)測(cè)試：將測(cè)試集中的一個(gè)樣本通過上述步驟得到測(cè)試樣本特征y,用步驟(3)訓(xùn)練得到的SVM，使用函數(shù)svmpredict進(jìn)行預(yù)測(cè)，得到分類識(shí)別結(jié)果。

4 實(shí) 驗(yàn)

4.1 實(shí)驗(yàn)數(shù)據(jù)及預(yù)處理

選取的人臉數(shù)據(jù)庫為ORL數(shù)據(jù)庫，它包含40個(gè)不同的人，每個(gè)人取十幅不同的圖像。分別在不同的時(shí)間、不同的照明情況，面部表情(睜/閉眼，笑/不笑)，面部細(xì)節(jié)(眼鏡/無眼鏡)下進(jìn)行圖像采集。所有的人臉圖像都是在一個(gè)黑暗的均勻背景下拍攝的，拍攝的人要坐直，并拍攝他們的正面圖像(可以接受一點(diǎn)點(diǎn)側(cè)向移動(dòng))。實(shí)驗(yàn)環(huán)境為64位Win7系統(tǒng)，使用的工具是MATLAB。選取的多分類支持向量機(jī)模型為Libsvm工具箱中的一對(duì)一分類支持向量機(jī)。

采用MATLAB中的小波工具箱，將原來112*92的圖片壓縮成為28*23的圖片，壓縮后的部分人臉如圖2所示。

根據(jù)之前的實(shí)驗(yàn)基礎(chǔ)，在KPCA特征提取時(shí)，選取高斯核函數(shù)的效果較好，選取的參數(shù)σ2=104。

圖2 ORL庫壓縮后部分人臉圖像

4.2 實(shí)驗(yàn)結(jié)果及分析

實(shí)驗(yàn)中，將文中方法與單純使用SRC方法、單純使用SVM方法的人臉識(shí)別正確率進(jìn)行對(duì)比分析。

(1)特征值數(shù)量L對(duì)識(shí)別率的影響。

理論上說，在KPCA特征提取過程中，提取的L越多，代表的人臉信息就越豐富，人臉識(shí)別率也就越高。所以實(shí)驗(yàn)選取了不同的L值來觀察其對(duì)人臉識(shí)別率的影響，結(jié)果如圖3所示。

圖3 識(shí)別率與特征值數(shù)量關(guān)系曲線

觀察圖3發(fā)現(xiàn)，從橫向上來看，L越大，識(shí)別率越高，但是在L=150之后的上升趨勢(shì)減小，而在125到150之間，識(shí)別率有明顯的上升，雖然150到200之間的識(shí)別率仍有上升，但綜合考慮實(shí)驗(yàn)運(yùn)行時(shí)間，選取L=150繼續(xù)后面的實(shí)驗(yàn)；而從縱向上來看，可以發(fā)現(xiàn)文中方法明顯優(yōu)于稀疏表示分類和支持向量機(jī)分類。因此，實(shí)驗(yàn)證明文中方法可以提高人臉識(shí)別的效率。

(2)稀疏閾值K對(duì)識(shí)別率的影響。

理論上說，求解稀疏表示模型所得到的稀疏系數(shù)中，非零系數(shù)應(yīng)該出現(xiàn)在樣本所在類，其他類對(duì)應(yīng)的系數(shù)中應(yīng)該都為零。在選取求解稀疏系數(shù)方法時(shí)就要考慮這個(gè)問題，文獻(xiàn)[6]中選取的方法為GPSR法，但在求得的稀疏系數(shù)中，非零系數(shù)不止出現(xiàn)在樣本所在類，這就影響了識(shí)別效果。所以文中選取OMP算法求解稀疏表示模型，優(yōu)點(diǎn)就是可以設(shè)置稀疏系數(shù)的稀疏度K，使得非零系數(shù)盡量只出現(xiàn)在對(duì)應(yīng)類中。這個(gè)K值實(shí)際上就是所選取的訓(xùn)練樣本數(shù)，K不同，過完備字典的大小就不同，識(shí)別率也就有所不同。因此實(shí)驗(yàn)設(shè)置了不同的K值來觀察稀疏度對(duì)識(shí)別率的影響，結(jié)果如表1所示(此時(shí)L=150)。

表1 稀疏度與識(shí)別率關(guān)系

觀察表1可以發(fā)現(xiàn)，隨著K的增大，過完備字典也越來越大，識(shí)別效果也是越來越好。這是因?yàn)殡S著訓(xùn)練樣本的增多，過完備字典中的原子也隨之增加，每個(gè)樣本能更充分地表示成過完備字典的線性組合，訓(xùn)練出來的支持向量機(jī)識(shí)別率更高；因此表明文中方法的識(shí)別率有了一定的提高。

5 結(jié)束語

文中提出了一種結(jié)合稀疏表示和支持向量機(jī)的人臉識(shí)別方法，探究了特征值數(shù)量和稀疏系數(shù)的稀疏度與人臉識(shí)別率的關(guān)系，并與傳統(tǒng)的稀疏表示分類方法和支持向量機(jī)方法進(jìn)行了對(duì)比。實(shí)驗(yàn)結(jié)果表明，該方法具有一定的優(yōu)越性。由于選取的人臉都為靜態(tài)圖像，而實(shí)際操作中大多為動(dòng)態(tài)圖像或者視頻流，因此下一步將對(duì)此作進(jìn)一步的研究。

[1] TIAN Q,WU J.A review on face recognition based on compressive sensing[J].IETE Technical Review,2013,30(5):427-438.

[2] AKBARI R, MOZAFFARI S. Performance enhancement of PCA-based face recognition system via gender classification method[C]//6th Iranian machine vision and image processing.Isfahan:IEEE,2010.

[3] ZHENG M,XU Z,YU T,et al.New modified algorithm of PCA face recognition[C]//IEEE international conference on oxide materials for electronic engineering.Lviv,Ukraine:IEEE,2012:121-124.

[4] MALLIPEDDI R,LEE M.Ensemble based face recognition using discriminant PCA features[C]//IEEE congress on evolutionary computation.Brisbane:IEEE,2012.

[5] LIAO P, LIU J,WANG M, et al. Ensemble local fractional LDA for face recognition[C]//IEEE international conference on computer science & automation engineering.Zhangjiajie:IEEE,2012.

[6] ZHAO X,EVANS N,DUGELAY J C.Semi-supervised face recognition with LDA self-training[C]//IEEE international conference on image processing.Brussels:IEEE,2011.

[7] LI Y.2D face recognition based on RL-LDA learning from 3D model[C]//International conference on uncertainty reasoning & knowledge engineering.Jalarta:IEEE,2012.

[8] 閆 河,王 樸,劉 婕,等.自適應(yīng)加權(quán)多尺度LTP的人臉識(shí)別[J].計(jì)算機(jī)工程與設(shè)計(jì),2016,37(4):1027-1031.

[9] 余 嘉,方 杰,許 可.基于加權(quán)小波的DCT人臉識(shí)別算法研究[J].計(jì)算機(jī)工程與應(yīng)用,2012,48(17):199-202.

[10] 劉 君,黃燕琪,熊邦書.融合核主成分分析和最小距離鑒別投影的人臉識(shí)別算法[J].計(jì)算機(jī)工程,2016,42(4):221-225.

[11] 馮 姝.無監(jiān)督局部特征學(xué)習(xí)的魯棒性人臉識(shí)別[J].計(jì)算機(jī)應(yīng)用,2017,37(2):512-516.

[12] 夏佩佩，張 莉.一種相似性學(xué)習(xí)算法及其在人臉識(shí)別中的應(yīng)用[J].計(jì)算機(jī)工程,2014，40(6)：175-179.

[13] 吳 青,梁 勃,王 婉,等.多分類光滑支持向量機(jī)的人臉識(shí)別方法[J].計(jì)算機(jī)應(yīng)用,2015,35:122-126.

[14] WRIGHT J,YANG A Y,GANES H A,er al.Robust face recognition via sparse representation[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2009,31(2):210-227.

[15] 尹賀峰,吳小俊,陳素根.改進(jìn)的局部稀疏表示分類算法及其在人臉識(shí)別中的應(yīng)用[J].計(jì)算機(jī)科學(xué),2015,42(8):48-51.

[16] 石光明,劉丹華,高大化,等.壓縮感知理論及其研究進(jìn)展[J].電子學(xué)報(bào),2009，37(5):1070-1081.

[17] 蘇曉偉.基于多分類支持向量機(jī)的模式識(shí)別研究[J].計(jì)算機(jī)與數(shù)字工程,2015,43(7):1202-1206.