紀(jì)姝伊

（長(zhǎng)春理工大學(xué) 計(jì)算機(jī)科學(xué)技術(shù)學(xué)院，長(zhǎng)春 130022）

當(dāng)前，各種現(xiàn)代科技快速發(fā)展，人們獲取圖像的方式也更加的便捷，在此基礎(chǔ)上，人臉的識(shí)別技術(shù)也有了長(zhǎng)足的進(jìn)展[1-3］。在近幾年，對(duì)人臉識(shí)別的研究，大多數(shù)是使用深度學(xué)習(xí)類的方法，該類方法具有很好的識(shí)別性[4-5］。這主要是針對(duì)人的面部識(shí)別方面進(jìn)行的研究，以人工神經(jīng)網(wǎng)絡(luò)作為基礎(chǔ)創(chuàng)建的，當(dāng)前的深度學(xué)習(xí)手段已經(jīng)比較普及，而且具有很高的識(shí)別度。這種識(shí)別手段主要來(lái)自人工的神經(jīng)網(wǎng)絡(luò)系統(tǒng)，通過(guò)對(duì)人的大腦進(jìn)行模擬分析進(jìn)而建立相關(guān)的數(shù)據(jù)，仿照人的大腦對(duì)相關(guān)圖像參數(shù)進(jìn)行解析，這是一種無(wú)需監(jiān)督的學(xué)習(xí)手段。深度學(xué)習(xí)有比較多的方法，卷積神經(jīng)網(wǎng)絡(luò)就是簡(jiǎn)稱為CNN的一種深度學(xué)習(xí)手段，這種學(xué)習(xí)方法使用的比較多，因?yàn)樗木W(wǎng)絡(luò)模型比較簡(jiǎn)單而且具有自動(dòng)化的識(shí)別數(shù)據(jù)，不過(guò)對(duì)于人的面部辨識(shí)方面來(lái)說(shuō)很多經(jīng)典的手段還是值得更加深入的研究的，比方說(shuō)是參數(shù)的降維解析算法，本文主要對(duì)以稀疏表示為基礎(chǔ)的圖嵌入降維解析算法進(jìn)行更加深入的分析，進(jìn)一步使面部識(shí)別時(shí)辨識(shí)度得到提高。

1 基于稀疏表示的圖嵌入降維算法分析

1.1 表情圖像的預(yù)處理

表情圖像的預(yù)處理包括表情圖像子區(qū)域的分割以及表情圖像的歸一化處理，前者指從表情圖像分割出與表情最相關(guān)的子區(qū)域，而后者包括圖像的灰度均衡和尺度歸一。圖像預(yù)處理的好壞直接影響表情特征提取的效果和計(jì)算量。

1.2 基于小波變換的人臉特征的提取

通過(guò)小波變換處理后，變換特征的維數(shù)有了明顯的提高，因此，在整個(gè)實(shí)驗(yàn)的過(guò)程中都通過(guò)均勻下采樣方法來(lái)處理Gabor小波，以此來(lái)實(shí)現(xiàn)降維。表情特征提取可分為兩步：歸一化后的表情圖像的網(wǎng)格化和彈性圖的構(gòu)造。

1.2.1 歸一化后表情圖像的網(wǎng)格化

小波變換后生成的特征矢量模較大。針對(duì)上面分割及歸一化后的表情子圖像，首先對(duì)表情子圖像進(jìn)行網(wǎng)格化處理，即使用固定尺寸的網(wǎng)格進(jìn)一步分割表情子圖像。識(shí)別時(shí)采用彈性圖匹配算法，通過(guò)適當(dāng)改變表情模板的網(wǎng)格結(jié)點(diǎn)間距離，找到表情模板與待識(shí)別表情圖像的最佳匹配，從而實(shí)現(xiàn)表情的分類與識(shí)別。

1.2.2 人臉的特征彈性圖的構(gòu)造

本階段的任務(wù)是將經(jīng)網(wǎng)格化后的人臉子圖像轉(zhuǎn)換為表情特征彈性圖（或稱作表情屬性拓?fù)鋱D）。即對(duì)人臉子圖像的每一個(gè)網(wǎng)格進(jìn)行Gabor小波變換，取變換后的小波系數(shù)作為該網(wǎng)格的特征矢量，所有網(wǎng)格的特征矢量則構(gòu)成了表情特征彈性圖。

1.2.3 基于稀疏表示的圖嵌入模型建立

通過(guò)SR-Graph方法來(lái)進(jìn)行模型的建立，尋找樣本點(diǎn)Xi的鄰近樣本點(diǎn)。采用歐氏距離作為測(cè)度來(lái)尋找每個(gè)樣本點(diǎn)Xi的k個(gè)最近鄰的樣本點(diǎn)?？捎肵n來(lái)表示這k個(gè)最近鄰的樣本點(diǎn)組成的集合，求解樣本點(diǎn)間的權(quán)值矩陣權(quán)Wij，表示第j個(gè)樣本點(diǎn)對(duì)重構(gòu)第i個(gè)樣本點(diǎn)的貢獻(xiàn)，當(dāng)兩個(gè)數(shù)據(jù)點(diǎn)越相近時(shí)，兩者之間的權(quán)值也就越大。該方法的特點(diǎn)有兩個(gè)方面：一是使用SR-Graph方法，能夠在降維的過(guò)程中保持很好的魯棒性，能夠盡可能的保證不依賴參數(shù)；二是能夠同時(shí)確定權(quán)值和圖邊，進(jìn)而能更容易的建立優(yōu)良模型。

2 基于稀疏表示的圖嵌入降維算法的實(shí)現(xiàn)

借助Matlab手段進(jìn)行相關(guān)的仿真模擬，進(jìn)而更好的對(duì)前文提出的以稀疏表示為基礎(chǔ)的圖嵌入降維解析算法進(jìn)行解析，下面選取PIE參數(shù)存儲(chǔ)空間里的少量Pose-05作為示例，選取示例遵循以下準(zhǔn)則：首先是選擇第一個(gè)人的第二張圖片作為測(cè)試示例，以隨機(jī)選擇的十個(gè)人中的前面二十張照片作為訓(xùn)練示例的集合（不包括測(cè)試示例），所說(shuō)的字典指的就是它，下面的圖1表示的是用字典以稀疏表示的手段進(jìn)行測(cè)試示例分析從而得到的所有參數(shù)圖像，字典里面除了零以外的參數(shù)相對(duì)應(yīng)的原子情況也在圖中。通過(guò)實(shí)驗(yàn)?zāi)軌虻玫剑簣D里面有五個(gè)參數(shù)是非零的，它們是1號(hào)、4號(hào)、11號(hào)、15號(hào)、17號(hào)，與之相對(duì)的原則參數(shù)是這些非零系數(shù)所對(duì)應(yīng)的原則數(shù)值，為0.008，0.2103，0.0297，0.0923，0.6435。除去非零的參數(shù)以外，還可以知道有不是絕對(duì)零值的參數(shù)，之所以這樣是因?yàn)檫@些數(shù)據(jù)都比較小，影響不大，可以忽略。其次，使用以上非零參數(shù)相對(duì)的結(jié)果圖片進(jìn)行二號(hào)測(cè)試圖片的再一次構(gòu)造時(shí)，重構(gòu)的殘差十分小，這就表示之前選取的樣本中已經(jīng)具有二號(hào)圖像的參數(shù)。所以，能夠在訓(xùn)練樣本的集合中直接將二號(hào)圖像刪除。

圖1 2號(hào)圖像稀疏表示后的系數(shù)及其對(duì)應(yīng)的圖片

圖2表示的是二號(hào)樣本相對(duì)別的樣本的歐氏距離，本文為了將結(jié)果比較明顯的表示出來(lái)把前面三十個(gè)距離進(jìn)行了增大，可以參見(jiàn)圖3。

通過(guò)圖2展現(xiàn)的二號(hào)測(cè)試圖片相對(duì)全部訓(xùn)練樣本的歸一化距離，能夠發(fā)現(xiàn)二號(hào)的歸一化距離相對(duì)別的樣本而言比較小。

圖2 2號(hào)測(cè)試圖像與所有訓(xùn)練樣本的歸一化距離

圖3 2號(hào)測(cè)試圖像與前30個(gè)訓(xùn)練樣本的歸一化距離

通過(guò)圖3能夠發(fā)現(xiàn)：對(duì)于之前提到的非零參數(shù)對(duì)應(yīng)的圖像以及二號(hào)測(cè)試樣本來(lái)說(shuō)，它們的歐式距離全都相對(duì)小得多，不過(guò)這并不能說(shuō)明其稀疏數(shù)值大小不為零，比方說(shuō)11號(hào)圖像，通過(guò)稀疏表示選取的樣本相對(duì)通常根據(jù)距離選擇樣本的不同之處就在于此，同時(shí)也就比較好的表示稀疏描述在人大腦的主觀感知表示參數(shù)的具體情況。

3 基于稀疏表示的圖嵌入降維算法的驗(yàn)證

本文主要使用ORL免費(fèi)的人臉存儲(chǔ)空間對(duì)以稀疏表示的圖嵌入降維解析手段進(jìn)行效果檢驗(yàn)。本文使用的以稀疏表示為基礎(chǔ)的圖嵌入降維解析算法，主要是兩個(gè)可以變化的參數(shù)，它們是：重構(gòu)殘差閾值λ以及稀疏表示的系數(shù)閾值μ。此次測(cè)試再一次選擇隨機(jī)的樣本集合（不能選擇前一次已經(jīng)選取的樣本），測(cè)試的條件同前一次測(cè)試一樣，一個(gè)小組要做十次平行測(cè)試，以十組測(cè)試的平均值作為辨別度。假設(shè)確定的數(shù)值λ大小為0.145，通過(guò)變換稀疏表示的系數(shù)閾值，分別獲得在稀疏閾值不一樣時(shí)的辨識(shí)度以及壓縮好壞。得到的相關(guān)數(shù)據(jù)參見(jiàn)下面的表格1和2。

如表1所示，從ORL人臉數(shù)據(jù)庫(kù)中λ=0.145時(shí)的識(shí)別率中可以看出，本文提出的基于稀疏表示的圖嵌入降維算法在ORL人臉數(shù)據(jù)庫(kù)中λ=0.145時(shí)具有比較好的識(shí)別率。

通過(guò)表2里的相關(guān)數(shù)據(jù)，能夠發(fā)現(xiàn)當(dāng)選取的樣本數(shù)量越多的時(shí)候，稀疏表示的系數(shù)閾值就會(huì)隨之增大。對(duì)于ORL參數(shù)存儲(chǔ)空間來(lái)說(shuō)，每一個(gè)人都會(huì)有一張不同的面部表情圖片。能夠?qū)⑦@些圖片作為訓(xùn)練的樣本，因?yàn)樯厦娴娜N非負(fù)矩陣的解析方法全部是無(wú)監(jiān)督的解析手段，也就是說(shuō)，能夠以不同的類別為依據(jù)迅速地找到相關(guān)的訓(xùn)練樣本。緊接著，對(duì)其做降維操作，進(jìn)而將維度較高的面部圖片換算成維度較低的參數(shù)。

4 算法在人臉識(shí)別中的應(yīng)用

表1 ORL人臉數(shù)據(jù)庫(kù)中λ=0.145時(shí)的識(shí)別率（%）

以稀疏表示為基礎(chǔ)的圖嵌入降維解析的面部辨識(shí)流程如圖4所示。第一就是要提前對(duì)測(cè)試以及訓(xùn)練的相關(guān)圖片進(jìn)行處理，其次就要通過(guò)Gabor的小波變換獲得圖片里的表征性參數(shù)，緊接著用以稀疏表示為基礎(chǔ)的圖嵌入降維解析手段得到需要的面部辨識(shí)結(jié)果。

表2 ORL人臉數(shù)據(jù)庫(kù)中λ=0.145時(shí)的選樣樣本數(shù)

圖4 稀疏表示的圖嵌入降維算法的人臉識(shí)別過(guò)程

5 結(jié)論

人臉識(shí)別的使用會(huì)受到光照以及障礙物等諸多條件的影響，這些外在因素會(huì)對(duì)實(shí)際使用面部識(shí)別時(shí)造成很大的影響，進(jìn)而導(dǎo)致分辨率下降。通過(guò)對(duì)前人的成果進(jìn)行分析以及自己測(cè)試的基礎(chǔ)上能夠知道：對(duì)于人的面部識(shí)別來(lái)說(shuō)，以稀疏表示為基礎(chǔ)的解析算法具有自身特殊的優(yōu)勢(shì)，當(dāng)面部識(shí)別受到光照以及遮擋的時(shí)候，其展現(xiàn)了令人滿意的魯棒性以及優(yōu)越性。因此，在圖嵌入的降維解析算法里引進(jìn)稀疏表示的手段可以增強(qiáng)識(shí)別率。

[1]王心醉，郭立紅，楊麗梅，等.基于AdaBoost的人臉檢測(cè)算法[J］.長(zhǎng)春理工大學(xué)學(xué)報(bào)：自然科學(xué)版，2009，32（2）：248-250.

[2]李陽(yáng).基于三維模型子空間監(jiān)督學(xué)習(xí)法的二維人臉識(shí)別[J］.長(zhǎng)春理工大學(xué)學(xué)報(bào)：自然科學(xué)版，2009，32（3）：442-446，435.

[3]胡建軍.稀疏表示在人臉識(shí)別中的應(yīng)用[D］.長(zhǎng)沙：中南大學(xué)，2014.

[4]張其文，莊新磊.基于監(jiān)督協(xié)同近鄰保持投影的人臉識(shí)別算法[J］.計(jì)算機(jī)科學(xué)，2015，42（5）：309-314.

[5]丁正明.流形學(xué)習(xí)方法在視頻人臉識(shí)別中的應(yīng)用基礎(chǔ)研究[D］.成都：電子科技大學(xué)，2013.

[6]邢云.基于壓縮感知理論的人臉識(shí)別方法研究[D］.大連：大連理工大學(xué)，2010.

[7]張翠萍，蘇光大.人臉識(shí)別技術(shù)綜述[J］.中國(guó)圖像圖形學(xué)報(bào)，2000，5（11）：885-894.

[8]鄧承志.圖像稀疏表示理論及其應(yīng)用研究[D］.武漢：華中科技大學(xué)，2008.

[9]郭志強(qiáng).基于子空間分析的人臉識(shí)別算法研究[D］.武漢：武漢理工大學(xué)，2010.

[10]張春梅，尹中科，肖明霞.基于冗余字典的信號(hào)超完備表示與稀疏分解[J］.科學(xué)通報(bào)，2006，51（6）：628-633.