白薈琳，曲 娜，陳少杰，劉添添

（沈陽航空航天大學(xué)安全工程學(xué)院，遼寧 沈陽 110136）

由于人臉具有唯一性、易于采樣等優(yōu)點(diǎn)，因此，人臉識別與檢測技術(shù)應(yīng)用受到廣泛關(guān)注【1】。2003年，甘俊英、張有為等【2】將BP神經(jīng)網(wǎng)絡(luò)算法應(yīng)用到人臉識別中并建立模型。王宏漫、歐宗瑛等【3】使用獨(dú)立PCA的方法來提取更適合分類的人臉特征的主要獨(dú)立分量，后采用支持向量機(jī)分類機(jī)制進(jìn)行識別。周德龍、高文、趙德斌等【4】采用奇異值分解和判別式KL投影等技術(shù)來提取最終特征進(jìn)行識別，這種方法能讓分類器做的更簡明有效，采用相對比較少的特征向量數(shù)目反而得到一個(gè)相對較高的識別率。Jiang、Hu等【5】在2005年將三維重建圖像技術(shù)應(yīng)用到人臉識別中，先將標(biāo)準(zhǔn)條件下的二維人臉重構(gòu)成一幅三維標(biāo)準(zhǔn)人臉模型，后將各種不同條件如發(fā)型、神情、光照之類的因素放入此模型當(dāng)中，將其組成一個(gè)較為繁雜多變的樣本，然后使用主成分將人臉部的特點(diǎn)分析出來，不過這種辦法對于初始二維人臉圖像標(biāo)準(zhǔn)很嚴(yán)格，而且進(jìn)行識別的時(shí)間也非常久。2008年，王瑋、黃非非、馮海亮等人【6】首次提出以多尺度LBP特征為基礎(chǔ)的人臉描述與識別算法，并且得到了非常高的識別率。Tang、Yin等【7】用三維人臉構(gòu)建二維人臉庫，將多姿態(tài)人臉轉(zhuǎn)化為兩張單獨(dú)照片的比對，但計(jì)算復(fù)雜，耗時(shí)較長。王憲、陸友桃、宋書林等【8】在2012年首先通過Gabor小波變換提取人臉圖像中的特征，利用PCA方法繼續(xù)處理、識別。2014年，馬小虎、譚延琪等【9】提出了鑒別稀疏保持嵌入的算法，利用最小二乘問題的結(jié)果對SPP中的稀疏權(quán)進(jìn)行了改進(jìn)，得到了更有價(jià)值的判別稀疏權(quán)，從而有效地反映了SPP中的判別信息，以保持這個(gè)最優(yōu)的稀疏權(quán)為目標(biāo)來計(jì)算低維特征子空間。本文主要研究人工蜂群算法在人臉檢測和識別方面的匹配應(yīng)用，通過PCA方法提取人臉圖像中的主要特征，繼而利用人工蜂群算法迭代計(jì)算，最終實(shí)現(xiàn)匹配，速度較快，魯棒性較好。

1 PCA人臉特征選取

通常在進(jìn)行人臉識別時(shí)將圖像視作一個(gè)像素矩陣，一幅大小為w×h的人臉圖像，按列展開，可將其看做長度為w×h的列向量，相當(dāng)于圖像處于一個(gè)高維空間中，但數(shù)據(jù)分布較分散、冗余信息較多。實(shí)際應(yīng)用時(shí)，需要通過某種變換將高維空間中的數(shù)據(jù)投影到低維子空間，將冗余信息去除掉，從而更好地進(jìn)行分類。從一幅人臉圖像來看，神情、表情特征最主要從嘴巴、眼睛反映出來。因此，要是能將這些最明顯的特點(diǎn)給提取出來，那么識別率將會非常高。利用主成分分析法將這些特點(diǎn)提取出來。該方法不僅對高維數(shù)據(jù)進(jìn)行降維，還消除數(shù)據(jù)相關(guān)性和噪聲。將原始數(shù)據(jù)的N個(gè)特征用較少的M個(gè)特征替代，盡量使這M個(gè)特征互不相關(guān)，進(jìn)而通過M個(gè)特征的線性組合表示原始的N個(gè)特征。識別過程是先將特征臉組成一個(gè)空間，再把待識別的人臉圖像映射到特征臉空間。具體步驟如下【10】：

1）計(jì)算所有樣本的均值μ和協(xié)方差矩陣S，如式（1）、（2）。

2）計(jì)算協(xié)方差矩陣S的特征值，記該矩陣的特征值為λ1，λ2，…，λn，并由大到小進(jìn)行排序，如式（3）。

3）將前m個(gè)特征值所對應(yīng)的矢量構(gòu)建成一個(gè)矩陣R，一般情況而言，如果特征值較小所對應(yīng)的特征矢量包含噪聲的可能性越大。所以實(shí)際應(yīng)用中，選擇前m個(gè)特征矢量，即為PCA提取出的主成分。

2 人工蜂群算法的應(yīng)用

蜜蜂通過“8字舞”的方式交流蜜源及采蜜信息，實(shí)現(xiàn)自組織行為。人工蜂群（Artificial Bee Colony，ABC）就是將這一自然現(xiàn)象建立成模型，主要包括跟隨蜂、引領(lǐng)蜂和偵察蜂。蜜源i（i=1，2，...，NP）的質(zhì)量潛在解與適應(yīng)度值fiti相適應(yīng)。跟隨蜂和引領(lǐng)蜂的綜合就是蜜源的數(shù)量，并且在同一個(gè)時(shí)間段內(nèi)只有一個(gè)引領(lǐng)蜂在蜜源里作業(yè)。假設(shè)每個(gè)蜜源是一個(gè)D維向量，t為迭代次數(shù)，xid∈(Ld,Ud),Ld和Ud分別為迭代空間的上限和下限，且有d=1，2，...，D。由此，蜜源i初始位置在搜索空間中隨機(jī)生成的方式如式（4）所示。

在初始搜索階段，根據(jù)式（2）內(nèi)容引領(lǐng)蜂在周邊探尋蜜源，從而發(fā)現(xiàn)新的蜜源。

其中，d為區(qū)間[1，D]內(nèi)的隨機(jī)整數(shù)，表示引領(lǐng)蜂在D維向量中隨機(jī)抽選一維d進(jìn)行搜索，而j≠i，且j∈ [1，2，...NP]，即在NP個(gè)蜜源當(dāng)中隨機(jī)挑選一非i蜜源，φ為決定擾動的幅度，均勻、隨機(jī)分布在[-1,1]當(dāng)中。

當(dāng)搜索到的新蜜源Vi=[vi1,vi2,...,vid]對空間的適應(yīng)度優(yōu)于Xi時(shí)，則以新蜜源取代舊蜜源，若新蜜源Vi對空間的適應(yīng)度小于舊蜜源Xi，則保留Xi。

在全部引領(lǐng)蜂完成式（5）運(yùn)算后，便飛回到蜂巢對所發(fā)現(xiàn)的蜜源進(jìn)行資源共享，發(fā)現(xiàn)新蜜源的引領(lǐng)蜂帶著跟隨蜂去到新的蜜源，具體表示如式（6）。

最后，跟隨蜂以輪盤賭的方式對引領(lǐng)蜂進(jìn)行選擇，簡單來說就是在[0，1]生成一均勻分布的隨機(jī)數(shù)r，當(dāng)Pi＞r時(shí)，跟隨蜂則以式（6）為依據(jù)在蜜源i周邊構(gòu)建一新的蜜源，并與引領(lǐng)蜂采用相同的貪婪選擇法對應(yīng)保留蜜源予以確定【11】。

在發(fā)現(xiàn)蜜源整個(gè)階段中，如果蜜源Xi經(jīng)過了trial次迭代已達(dá)到閾值limit，卻沒有探尋到更好的蜜源，則應(yīng)將該蜜源遺棄，而后該蜜源所對應(yīng)的引領(lǐng)蜂角色便轉(zhuǎn)變?yōu)閭刹榉?，偵查蜂繼續(xù)在搜索空間中生成新的蜜源Xt+1i，表示為式（7）。

為保持人工蜂群算法的一般性，其解的適應(yīng)度評價(jià)應(yīng)以式（8）為依據(jù)進(jìn)行計(jì)算：

式中，fi為解的函數(shù)值?？梢园讶斯し淙核惴ㄖ攸c(diǎn)分為引領(lǐng)蜂搜索新蜜源、引領(lǐng)蜂及時(shí)將蜜源信息進(jìn)行傳遞、引領(lǐng)蜂轉(zhuǎn)變身份變成偵查蜂后進(jìn)行作業(yè)3個(gè)部分。

ABC人臉識別過程如下【12】∶

1）初始化：設(shè)定蜜源Xi、參數(shù)NP以及l(fā)imit和迭代次數(shù)的上限t，將待匹配樣本作為識別對象。

2）蜜源Xi分配1只引領(lǐng)蜂出來作業(yè)，根據(jù)式(5)內(nèi)容進(jìn)行搜尋，最后搜尋到新的蜜源Vi，再進(jìn)行圖像處理得到人臉部分特征并在人臉庫中進(jìn)行搜索。

3）根據(jù)式（8）對新搜索到的蜜源Vi的適應(yīng)度進(jìn)行評價(jià)，并以貪婪選擇法確定出應(yīng)該保留的蜜源；在與人臉庫的所有樣本比對過程中，將每次比對后的匹配率計(jì)算出來。

4）根據(jù)式（6）計(jì)算出蜜源被引領(lǐng)蜂找出且被跟蹤的概率。

5）跟隨峰搜索蜜源的方案和引領(lǐng)蜂一樣，由貪婪選擇性選出來的方案來確定蜜源并將其保留。然后從所有樣本中留下匹配率最高的，再看看蜜源是不是應(yīng)該被放棄。如果蜜源滿足被放棄的條件，那么相對的引領(lǐng)蜂將會換身份成偵查蜂，相反就轉(zhuǎn)換到過程7）；對比最終挑選樣本與待測樣本的匹配率是否滿足要求。

6）偵察蜂根據(jù)式（7）隨機(jī)產(chǎn)生Vi。

7）t=t+1，判斷迭代次數(shù)是否達(dá)到上限，是否有遺漏，若滿足，則輸出匹配率最高的樣本作為最終結(jié)果；若不滿足，證明存在未被比對的樣本，故轉(zhuǎn)到過程2）繼續(xù)進(jìn)行比對。

3 仿真實(shí)驗(yàn)

利用MATLAB的圖形用戶界面（GUI）編程得到易于操作的人臉識別界面。

3.1 不同實(shí)驗(yàn)條件下的結(jié)果

1）圖1是在自然光條件下進(jìn)行人臉識別的結(jié)果。

圖1 自然光條件下人臉識別結(jié)果

2）圖2～圖5為人工蜂群算法對于人臉在不同角度、表情、發(fā)型等條件下識別的結(jié)果。

圖2 不同角度的人臉識別結(jié)果

圖3 不同表情的人臉識別結(jié)果

圖4 不同表情和發(fā)型的人臉識別結(jié)果

圖5 不同表情和光照的人臉識別結(jié)果

3.2 實(shí)驗(yàn)結(jié)果分析

實(shí)驗(yàn)利用ORL YALE數(shù)據(jù)庫，采集了15個(gè)人的人臉圖像，每個(gè)人有10個(gè)圖像，圖像大小是112×92，總共150張圖像。圖像的細(xì)節(jié)包括是否佩戴了鏡框，眼睛打開角度，頭發(fā)的長短，表情的不同等不同程度的變化。除此之外，人臉的姿態(tài)也有很大變化，如人臉旋轉(zhuǎn)角度大概可達(dá)到20°，尺寸也會有10%的幅度變化，YALE人臉數(shù)據(jù)庫部分圖像如圖6所示。仿真實(shí)驗(yàn)共進(jìn)行了60組人臉識別，其中58組識別正確，準(zhǔn)確度為96.7%。

圖6 部分人臉庫圖像

4結(jié)論

利用主成分分析法將人臉圖像中的主要特點(diǎn)、重要信息進(jìn)行識別提取，減少了計(jì)算量。利用人工蜂群算法進(jìn)行人臉識別，提高了識別的準(zhǔn)確率。仿真實(shí)驗(yàn)共進(jìn)行了60組人臉識別（包括不同光照、姿勢、表情等），其中58組識別正確，準(zhǔn)確率為96.7%，說明該方法是有效的。