汪雯琦 高廣闊

摘? 要： 對不同年齡的人臉進行識別，以ORL人臉庫作為數據來源進行特征提取，得到每幅圖像對應的矩陣，然后建立PCA主成分分析模型，對人臉特征矩陣進行K-L降維得到基特征臉。最后基于SVM（支持向量機）分類器學習，用Matlab編程對模型進行求解，對人臉進行分類識別。測試仿真結果顯示，基于ORL人臉庫測得的識別準確率為83.5%，準確度較高，證明該方法有效。

關鍵詞： 跨年齡人臉識別; K-L變換; SVM分類器; 人機交互界面

中圖分類號：TP391.4? ? ? ? ? 文獻標志碼：A? ? ?文章編號：1006-8228（2019）07-01-04

Abstract： This paper mainly discusses the cross-age face recognition， which extracts features from ORL face database as data source， obtains the corresponding matrix of each image， then establishes PCA principal component analysis model， and reduces the dimension of face feature matrix by K-L to get the base feature face. Based on SVM classifier learning， the model is solved by MATLAB programming， and the face is classified and recognized. The automatic recognition is basically realized. The test results show that the recognition accuracy is 83.5% based on ORL face database， which proves that the accuracy is high， and the method is effective.

Key words： cross-age face recognition; K-L transform; SVM classifier; human-computer interactive interface

0 引言

人臉識別的技術近年來被廣泛用于金融、經濟、交通、旅游、法律等行業(yè)，國內外學者也對其進行了深度研究。就目前我們了解到，美國和以色列等國家的人臉識別技術已經達到了世界領先等水平。對同一個人來說，如果不曾有過改變面容的疾病、面部外傷或外科手術等經歷，年輕和年老時的面容總有很大的相似度。人們在生活中也往往能夠分辨出來兩張不同年齡段的照片是不是同一個人。當然，年齡段相差越大，識別起來也就越困難。

本研究的主要貢獻：主成分分析法（PCA）是利用樣本中部分主要元素效果替代整體元素效果，將復雜問題簡化為簡單問題。SVM訓練原理是應用在小樣本/非線性樣本對分類問題中，取得了很好的分類效果。我們將這兩種方法結合，設計出比較友好的人機交互界面GUI，可以一鍵測試準確率和人臉匹配識別，基本實現了自動識別，準確度較高。

1 研究背景

近年來在大量國內外各領域研究人員的努力下，人臉識別技術取得了很大的進步，識別率提高，但是這些研究多基于同一個人在同一時期，而很少考慮到年齡、姿態(tài)等因素的魯棒性，這嚴重影響識別準確率，所以研究年齡因素對于人臉識別的影響是很有必要的，也是有一定難度的。當我們用肉眼識別兩張不同年齡段的人臉照片時，并不能很容易的判斷是否為同一個人，因為年齡相差越大，越難判斷。人臉老化是一個不可避免的過程，隨著年齡增長、歲月流逝，人臉外貌會產生很大的變化。這在學術和應用系統(tǒng)的設計中都是一個挑戰(zhàn)。年齡問題成為人臉識別技術的瓶頸之一，至今未能有非常好的方法解決，如果這個問題得到解決，人臉識別可在更多方面得到應用。

2 方法流程

要判斷兩張面部照片是否為同一個人首先要對兩個人的面部特征進行比對，通過比對，得出兩個人的面部相似度，相似度高的即認為是同一個人。這里我們首先考慮用PCA法對人臉特征矩陣進行降維，得出特征臉。然后對降維后得到的矩陣進行SVM訓練和分類，進而可以實現人臉庫的自動檢索和比對，從而得出比較結果。解決問題的思路如圖1所示。

2.1.1 載入人臉庫

在載入人臉庫圖像之前，我們對所有的圖像進行幾何歸一化，將所有的圖像的維數統(tǒng)一為相同維數設為，其中我們使用的ORL人臉庫為112*92。每幅圖像按行優(yōu)先并按列向量存貯為行的列向量?？梢暈镹空間中的一個點。這樣可以得到存貯所有人臉庫的訓練樣本的矩陣。

2.1.2 利用K-L變換得到人臉特征空間

根據K-L變換原理，所求的新坐標系即由矩陣WWT的非零特征值所對應的特征向量組成。由于，且一般N比較大，由于直接求C的特征值和正交歸一化的特征向量是很困難的，因此我們引入奇異值分解[3]（SVD）來解決維數的問題，也就是由求解WTW的特征值以及特征向量以獲得WWT的特征向量。

我們可以得到差值圖像，則的特征值可以通過得到。對WTW進行SVD分解得到其非零特征值（從小到大依次排序，）和對應的特征向量，則WWT正交歸一化的特征向量為

2.1.3 把訓練和待測圖像投影到特征子空間

我們將每一張人臉圖像向上述特征臉子空間進行投影，得到了一組坐標系數，對應于子空間的一個點。子空間內的任一點對應于一張圖像。得到的一組系數則可作為人臉識別的依據，也就是這張人臉圖像的特征臉特征。即任何一張人臉圖像都可以表示成這組特征臉的線性組合，它們的各個加權系數也就是K-L變換的展開系數，這個可以作為我們圖像識別的特征。然后將所有的訓練樣本圖像X投影到這個空間上，就得到了每張圖像在特征子空間內的坐標系數：

2.2 基于SVM分類器的模型

在多類SVM訓練[4]階段，我們用n=40類樣本構建n（n-1）/2個分類器。在分類階段，讓測試集樣本依次經過這些二分器，通過投票決定它的類別。

我們采用最為常用的徑向基核函數[5]（RBF），得到的支持向量機是一種徑向基核函數分類器[6]。首先，取Gamma=0.02，C=100，對測試集中40個人的前5張人臉圖像，一共兩百個樣本進行分類工作，結果顯示，識別的正確率為83.5%。人臉識別過程中，核函數我們選用了徑向基核函數（RBF），具體函數如下：

3 實驗結果與分析

我們用Matlab編程實現了對圖像的讀取，PCA降維，設計SVM分類器對圖像分類。為使操作界面更加友好，自動識別能力更強，設計了GUI界面。

讀取ORL人臉庫中400張照片，得到訓練矩陣和測試矩陣。由于矩陣太大，此處只給出訓練矩陣的1-5行1-10列的子式。

4 總結

本文結合PCA與SVM的特點，重點研究人臉預處理、人臉特征提取和人臉識別三大內容，提出用于人臉識別的PCA-SVM方法。PCA算法將原始圖像投影到特征空間中，去掉了圖像大量的冗余信息，同時保留了圖像的有用信息。該算法既實現了PCA算法的特征壓縮和提取，又用SVM訓練多個分類器解決多分類器問題，與傳統(tǒng)方法相比識別率較高。我們通過大量的實驗，證明了其識別率較高的識別效果，可以滿足實時性、跨年齡的要求。

本文創(chuàng)新點在于PCA算法可有效降低人臉圖像樣本的維數，簡化分類計算率。方差貢獻率高達90%時，由主成分向量重構的特征臉與原始的重構特征臉相比區(qū)別很小。自動識別算法設計成了友好的GUI人機交互界面，使得操作簡便，基本實現自動化，方法可行高效。但人臉識別系統(tǒng)的各種環(huán)境復雜多變，比如對于光照的影響本文未曾考慮到，因此，在人臉識別領域，證明消除不同光線下以及強光的照射對人臉識別有怎樣對影響仍是一個重要對研究問題。

參考文獻（References）：

[1] Rangsee P， Raja K B， Venugopal K R. Modified LocalTernary Pattern Based Face Recognition Using SVM[C]//2018 International Conference on Intelligent Informatics and Biomedical Sciences （ICIIBMS），2018.

[2] Zhang S， Zhang S， Wang B， et al. Machine Learning and?Deep Learning Algorithms for Bearing Fault Diagnostics-A Comprehensive Review[J]，2019.

[3] 李懿，劉曉東.一種新的模糊稀疏表示人臉識別算法[J].大連理工大學學報，2017.57（2）：189-194

[4] 黃廷祝，鐘守銘，李正良.矩陣理論[M].高等教育出版社，2003.

[5] 韓楓，李曉玲，孫秀雯等.智慧城市公共信息服務交互系統(tǒng)設計與實現[J].系統(tǒng)仿真學報，2018.30（5）：277-283

[6] 田大東.支持向量機學習算法研究[D].蘇州大學，2009.

[7] 孫大瑞，吳樂南.基于非線性特征提取和SVM的人臉識別算法[J].電子與信息學報，2004.26（2）：307-311