◆刁彥華 岳 瑩 王曉君

?

基于鑲嵌圖+PCA+SVM的人臉識(shí)別算法

◆刁彥華 岳 瑩 王曉君

(河北科技大學(xué)信息科學(xué)與工程學(xué)院 河北 050000)

為了更好地提高人臉識(shí)別正確率，提出了一種改進(jìn)算法——基于鑲嵌圖、PCA和SVM算法的人臉識(shí)別。首先，利用鑲嵌圖對(duì)人臉圖像進(jìn)行定位；其次，利用主成分分析法（PCA）對(duì)圖像進(jìn)行降維和特征提取；最后利用線性核函數(shù)（SVM）進(jìn)行分類識(shí)別。該算法在ORL庫(kù)上進(jìn)行實(shí)驗(yàn)，取得了87%的識(shí)別率。該算法可以減少不是人臉區(qū)域的干擾，很好地定位到人臉并識(shí)別，提高了識(shí)別率。

人臉識(shí)別；鑲嵌圖；主成分分析法；支持向量機(jī)

0 引言

在圖像中對(duì)人臉進(jìn)行處理成為近些年來人工智能領(lǐng)域相對(duì)比較活躍的一個(gè)研究課題。鑲嵌圖人臉定位是人臉圖像定位的經(jīng)典算法，提供了一個(gè)在復(fù)雜背景下搜索人臉的位置、大小以及數(shù)量的有效方法，其穩(wěn)定性較好，解決了人臉大小數(shù)量未知問題。主成分分析（PCA）降低特征維數(shù)可以減少計(jì)算量，有效地提高了識(shí)別的效率。而支持向量機(jī)（SVM）適合處理一些小樣本相關(guān)的問題以及并具有高維數(shù)、強(qiáng)大的泛化能力等多方面的優(yōu)點(diǎn)。針對(duì)如何提高人臉識(shí)別正確率問題，本文提出了基于鑲嵌圖、PCA和SVM算法。與PCA和SVM算法相比，該算法可以減少不是人臉區(qū)域的干擾，很好地定位到人臉并識(shí)別。具體流程如圖1所示。

圖1 人臉識(shí)別總流程圖

1 基于鑲嵌圖的人臉定位

利用鑲嵌圖來實(shí)現(xiàn)人臉定位就是任意給定一個(gè)背景復(fù)雜的圖片，在其中找到可能存在人臉的位置，這就是人臉的自動(dòng)定位。

本文首先利用四分圖進(jìn)行粗檢測(cè)，找到可能存在的人臉區(qū)域，如圖2所示。

0123 4567 891011 12131415

其次，在八分圖上進(jìn)行進(jìn)一步驗(yàn)證，定位人臉區(qū)域，如圖3所示。

在四分圖上建立的篩選可能存在人臉區(qū)域規(guī)則：人臉的面部中心有四個(gè)灰度大致相等的細(xì)胞5,6,9,10；面部上方位置、外圍的八個(gè)細(xì)胞0,1,2,3,4,7,8,11的灰度大致相等；在四分圖中，中心的位置和上方位置、外圍部分有較明顯差異的平均灰度。

01234567 89101112131415 1617181920212223 2425262728293031 3233343536373839 4041424344454647 4849505152535455 5657585960616263

最后，在八分圖上建立的定位人臉區(qū)域規(guī)則：

（1）眼區(qū)（以0，8開頭的兩行）：在眼區(qū)灰度極小值有兩個(gè)，位置大致在細(xì)胞1,9,6,14區(qū)域兩個(gè)灰度極小值位置相差d：2

（2）鼻區(qū)（以16,24,32,40開頭的四行）：在眼區(qū)中心正下方的一個(gè)單位細(xì)胞19或者是細(xì)胞20處存在灰度極小值。

（3）口區(qū)（以48,56開頭的兩行）:存在一個(gè)灰度極小值，其位置在鼻區(qū)正下方方向一個(gè)單位細(xì)胞處,并且存在一個(gè)低灰度值塊，寬度d：2

2 PCA特征降維

PCA（主成分分析法）是一種通過數(shù)學(xué)變換的方法來實(shí)現(xiàn)維數(shù)的降低。其基本思想是：首先對(duì)圖像當(dāng)中的最原始的數(shù)據(jù)進(jìn)行提取，減少多余的數(shù)據(jù)，使數(shù)據(jù)在一個(gè)恰當(dāng)?shù)牡途S特征空間處理，而且又不破壞大部分的原始數(shù)據(jù)，最終解決數(shù)據(jù)空間維數(shù)過高的關(guān)鍵問題。

本文采用ORL人臉數(shù)據(jù)庫(kù)，ORL人臉數(shù)據(jù)庫(kù)共有400張人臉的正面圖像（40個(gè)人，每人10張，大小為112像素×92像素），將人臉數(shù)據(jù)集中每個(gè)人不同表情的10張人臉正面圖像分成兩組，訓(xùn)練集由前5張構(gòu)成，測(cè)試集由后5張構(gòu)成。200張人臉正面圖像樣本是訓(xùn)練集的張數(shù)，測(cè)試集跟訓(xùn)練集的張數(shù)是相同的。人臉圖像特征提取算法實(shí)現(xiàn)步驟為：

（1）計(jì)算其所有訓(xùn)練樣本的均值向量；

（2）計(jì)算每個(gè)人的平均圖像向量；

（5）每個(gè)人訓(xùn)練樣本的平均向量在特征子空間的投影。

3 支持向量機(jī)人臉識(shí)別

通過PCA方法，可以有效降低數(shù)據(jù)維數(shù)，可以幫助咱們將十分高的人臉圖像維數(shù)轉(zhuǎn)換成低維數(shù)的空間去，轉(zhuǎn)換后就需要找到一個(gè)合適的分類器，對(duì)提取的特征向量進(jìn)行分類處理，來確定是否是人臉并確定其身份。在分類器分類過程當(dāng)中，分類器的選擇至關(guān)重要，其對(duì)最終類別的判斷有極其重大的影響。

非線性可分情況時(shí)，SVM原始的內(nèi)積運(yùn)算被核函數(shù)所代替，通過選取適合恰當(dāng)?shù)暮撕瘮?shù)和懲罰參數(shù)，所得到的就是通常情況下使用的標(biāo)準(zhǔn)的C-支持向量機(jī)分類機(jī)。此時(shí)，目標(biāo)函數(shù)和其約束條件滿足：

所構(gòu)造的決策函數(shù)為：

本文使用的是C-SVM，其具體算法步驟如下：

（1）假設(shè)給定一個(gè)特征空間上的訓(xùn)練數(shù)據(jù)集：

其中：

（4）最后構(gòu)造決策函數(shù)：

經(jīng)過PCA特征降維之后，把訓(xùn)練圖像的特征矩陣通過SVM訓(xùn)練函數(shù)，得到訓(xùn)練模型，然后把預(yù)測(cè)圖像經(jīng)過鑲嵌圖人臉定位和PCA處理后，利用SVM預(yù)測(cè)函數(shù)進(jìn)行人臉識(shí)別。

4 仿真過程

4.1 仿真環(huán)境

基于人臉數(shù)據(jù)庫(kù)人臉識(shí)別計(jì)算機(jī)仿真實(shí)驗(yàn)利用Matlab2014b編程實(shí)現(xiàn)，使用的數(shù)據(jù)集為Olivette實(shí)驗(yàn)室的ORL人臉庫(kù)。ORL人臉數(shù)據(jù)庫(kù)共有400張人臉的正面圖像（40個(gè)人，每人10張，大小為112像素×92像素），將人臉數(shù)據(jù)集中每個(gè)人不同表情的10張人臉正面圖像分成兩組，訓(xùn)練集由前5張構(gòu)成，測(cè)試集由后5張構(gòu)成。200張人臉正面圖像樣本是訓(xùn)練集的張數(shù)，測(cè)試集跟訓(xùn)練集的張數(shù)是相同的。

4.2 算法過程

（1）利用鑲嵌圖人臉定位

首先利用四分圖規(guī)則來初步選定候選人臉區(qū)域，確定大概位置后，利用八分圖規(guī)則來驗(yàn)證候選人臉區(qū)域是否包含人臉，并定位人臉區(qū)域。

（2）PCA算法提取人臉特征

通過PCA處理的方法來從訓(xùn)練數(shù)據(jù)集中找到主成分，圖像維數(shù)從10304維降為20維，得到的20維向量可以代表人臉樣本。通過PCA降維處理后，可以得到訓(xùn)練集中20個(gè)人的主成分臉。

（3）構(gòu)建SVM以及核函數(shù)的選擇

（4）實(shí)驗(yàn)結(jié)果

表1 不同算法下人臉識(shí)別準(zhǔn)確率

5 結(jié)論

結(jié)合鑲嵌圖、PCA算法與SVM的特點(diǎn)，提出了一種基于鑲嵌圖、PCA算法與SVM人臉識(shí)別的方法。并在ORL人臉數(shù)據(jù)庫(kù)上進(jìn)行了實(shí)驗(yàn)，對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行分析表明：該算法可以減少不是人臉區(qū)域的干擾，很好地定位到人臉并識(shí)別，與典型的人臉識(shí)別實(shí)驗(yàn)相比較，證明了本算法的有效性，表明本算法適用于人臉識(shí)別領(lǐng)域。

[1]徐靜妹，李雷.基于稀疏表示和支持向量機(jī)的人臉識(shí)別算法[J].計(jì)算機(jī)技術(shù)與發(fā)展，2018.

[2]金鑄浩，張丹紅，高漢軍等.基于自適應(yīng)方向局部三值模式的人臉識(shí)別.科學(xué)技術(shù)與工程，2017.

[3]尉宇，羅浩.基于局部分割的快速人臉識(shí)別.科學(xué)技術(shù)與工程，2017.

[4]王憲佼，洪寧，馬俊武.于PCA和SVM的人臉識(shí)別[J].信息通信，2015.

[5]楊光正，黃熙濤.鑲嵌圖在人面定位中的應(yīng)用[J].模式識(shí)別與人工智能，1996.

[6]黨永成.人臉識(shí)別技術(shù)綜述及分析[J].電子技術(shù)與軟件工程，2018.

[7]付浩海，趙鵬飛，侯月武等.基于最小二乘支持向量機(jī)的人臉識(shí)別算法[J].長(zhǎng)春工程學(xué)院學(xué)報(bào)(自然科學(xué)版)，2018.

[8]袁程波.基于PCA和SVM的人臉識(shí)別關(guān)鍵技術(shù)研究與實(shí)現(xiàn)[D].電子科技大學(xué)，2017.

[9]劉俊.變化光照條件下人臉識(shí)別算法研究[D].電子科技大學(xué)，2017.