◆歐利松

基于SVM的人臉識別系統(tǒng)設(shè)計與改進

◆歐利松

（桂林理工大學(xué)理學(xué)院 廣西 541006）

為解決人臉識別中圖像維數(shù)高、易受光照變化以及噪聲影響等問題，本文提出PCA和SVM相結(jié)合的人臉識別算法并在圖像預(yù)處理階段加入濾波處理。首先對圖像進行濾波預(yù)處理，PCA提取特征后降維處理，最后利用SVM多類分類器尋找人臉樣本之間的最優(yōu)分割超平面，對特征人臉進行訓(xùn)練和分類。通過在MATLAB平臺搭建人臉識別系統(tǒng)，對本文算法、SVM核函數(shù)以及不同濾波處理的系統(tǒng)進行了比較分析。實驗結(jié)果表明，PCA和SVM相結(jié)合的算法精度達到了95%，比其他算法提升了10%，有效解決了圖像維數(shù)高、計算量大的問題，同時優(yōu)化后的核函數(shù)加入維納濾波的系統(tǒng)表現(xiàn)出較好的分類和去噪性能。

人臉識別；PCA；SVM；MATLAB平臺；核函數(shù)；維納濾波

隨著計算機技術(shù)的不斷發(fā)展，快速有效的識別技術(shù)在各領(lǐng)域有了更高的要求，因此穩(wěn)定、安全的生物特征識別得到了廣泛的關(guān)注[1]。國內(nèi)外許多著名大學(xué)很早時期就對識別算法進行了研究，其中有從感知和心理學(xué)角度探索人類識別人臉機理的，如美國Texas at Dallas大學(xué)的Abdi和Tool小組[2]，由Stirling大學(xué)的Bruce教授和Glasgow大學(xué)的Burton教授合作領(lǐng)導(dǎo)的小組等[3]；也有從視覺機理角度進行研究的，如英國的Graw小組和荷蘭Groningen大學(xué)的Petkov小組等[4]。雖然國內(nèi)外研究已經(jīng)取得一些成績，但人臉識別過程中圖像維數(shù)高、易受光照變化等問題一直是研究的難點。因此，本文提出了基于PCA和SVM算法，有效解決了圖像維數(shù)高、計算量大的問題[5]，同時加入了濾波處理的系統(tǒng)具有較好的性能，有效的提高了識別率。

1 濾波預(yù)處理

1.1 中值濾波

中值濾波是一種典型的非線性低通濾波技術(shù)[6]，是指把以某點（，）為中心從小到大排列組合，根據(jù)奇偶性取平均值作為（，）處的灰度值[7]。中值濾波對去除椒鹽噪聲很有效果。用數(shù)學(xué)公式表示為：

對于二維序列進行中值濾波時，濾波窗口也是二維的，但這種二維窗口可以有各種不同的形狀，如線狀、方形、圓形、十字形、圓環(huán)形等。二維數(shù)據(jù)的中值濾波可以表示為：

與平均濾波器相比，中值濾波器從總體上來說，能夠較好地保留原圖像中的躍變部分[8]，對椒鹽噪聲處理結(jié)果如下圖1所示。

圖1 中值濾波處理過程

1.2 均值濾波

均值濾波是典型的線性濾波算法，通過構(gòu)造濾波模板進行局部空間域處理的算法[9]。設(shè)一幅圖像（，）為×的陣列，處理后的圖像為（，），每個像素的灰度級由包含（，）領(lǐng)域的幾個像素的灰度級的平均值所決定，即用下式得到處理后的圖像：

式中x，y=0，l，2，…，N-1；S是以（x，y）為中心的鄰域的集合，M是S內(nèi)坐標(biāo)點的總數(shù)。圖像鄰域平均法的處理效果與所用的鄰域半徑有關(guān)。半徑愈大，則圖像的模糊程度也度大，主要缺點是在降低噪聲的同時使圖像產(chǎn)生模糊，特別在邊沿和細(xì)節(jié)處，鄰域越大，模糊越厲害，如圖2所示。

2 主成分分析法

（6）進行-反變換有：

-變換使向量的數(shù)值改變，但向量的個數(shù)是沒有改變，數(shù)值改變后會出現(xiàn)小數(shù)值，因此就可以既保留主要特性又降低向量的維數(shù)。為減少運算量，可以保留主要信息，去掉次要數(shù)據(jù)。

3 支持向量機

支持向量機（Support Vector Machine，SVM）在解決線性情況可以直接構(gòu)造一個最優(yōu)與最佳的分類面，而解決非線性情況時會選擇合適的核函數(shù)通過非線性將低維空間樣本映射到高維特征空間上，同時在高維空間求解得到最佳的分類超平面。

SVM核函數(shù)在實際開發(fā)應(yīng)用很重要，其參數(shù)的選擇與人臉識別率密切相關(guān)。常用的核函數(shù)有以下三種：

（1）多項式核函數(shù)：

（2）徑向基核函數(shù)：

（3）Sigmoid核函數(shù)：

核函數(shù)具有低維度映射高緯度特征空間解決非線性問題的能力，常用核函數(shù)性能相似，本文選取Sigmoid核函數(shù)。目前參數(shù)如何設(shè)定與優(yōu)化仍然是研究者探討的熱點，因此本文針對SVM核函數(shù)參數(shù)選擇進行仿真實驗。

4 實驗仿真

實驗基于PCA和SVM算法，在MATLAB平臺設(shè)計并搭建了人臉識別系統(tǒng)，使用ORL人臉數(shù)據(jù)庫，其中包括40個不同年齡、不同性別和不同種族的對象。每個人10幅圖像共計400幅灰度圖像組成，人臉部分表情和細(xì)節(jié)均有變化。

人臉識別系統(tǒng)界面如圖3所示。

圖3 人臉識別系統(tǒng)界面

4.1 不同算法比較分析

為了測試本文算法可行性，分別使用HOG、LBP、PCA與SVM相結(jié)合以及PCA與KNN、LDA結(jié)合進行比較，實驗通過不同算法對訓(xùn)練時間、測試時間以及識別準(zhǔn)確率進行測試，其中方向梯度直方圖（Histogram of Oriented Gradient，HOG）特征是一種在計算機視覺和圖像處理中用來進行物體檢測的特征描述子；局部二值模式（Local Binary Pattern，LBP）是一種用來描述圖像局部紋理特征的算子；線性判別式分析（Linear Discriminant Analysis，LDA 一種經(jīng)典的線性學(xué)習(xí)方法；k近鄰法（k-nearest neighbor，KNN）是一種基本分類與回歸方法[18]。實驗結(jié)果如表1所示。

表1 不同算法的實驗結(jié)果比較

從表1可以看出，采用HOG、LBP的訓(xùn)練時間大于PCA的訓(xùn)練時間，由于PCA算法可以減少數(shù)據(jù)集的維度，同時保持?jǐn)?shù)據(jù)集中使方差貢獻最大的特征，故訓(xùn)練時間大大縮短，而HOG描述子生成過程冗長，導(dǎo)致速度慢以及實時性差，傳統(tǒng)的LBP特征之間存在冗余導(dǎo)致訓(xùn)練時間慢。在測試時間方面，SVM比KNN、LDA表現(xiàn)出更好的計算效率。在精度上，PCA與SVM結(jié)合的算法也遠(yuǎn)優(yōu)勝于其他算法。因此，綜合各方面，基于PCA與SVM的相結(jié)合的算法能夠有效降維，具有計算效率高、識別速度快以及準(zhǔn)確率高的優(yōu)點。

4.2 核函數(shù)參數(shù)實驗

使用MATLAB以及LibSVM工具包選擇SVM核函數(shù)參數(shù)對人臉識別率實驗分析，首先使用LibSVM交叉驗證法選取參數(shù)C與gamma（其中C是懲罰系數(shù)，gamma是核函數(shù)半徑），然后根據(jù)模型參數(shù)對進行計算、判斷其歸類，最后得到識別率。結(jié)果如下表2所示。

表2 關(guān)于核函數(shù)參數(shù)選擇的識別率

從表2可以看出：基于SVM的人臉識別系統(tǒng)的識別率很高，而且具有一定魯棒性。其中SVM核函數(shù)模型中的參數(shù)懲罰系數(shù)C和核函數(shù)半徑gamma選擇直接影響著人臉識別率。其中C指誤差的寬容度，懲罰系數(shù)越高越不能容忍出現(xiàn)誤差，系數(shù)越小則容易欠擬合，而出現(xiàn)過大或過小情況，其泛化能力變差。核函數(shù)半徑則決定了數(shù)據(jù)映射到新的特征空間后的分布，gamma值大小取決了支持向量多少。本節(jié)實驗采用LibSVM工具包提供的交叉驗證功能，得出參數(shù)C為128，gamma為0.007時識別率高達95%。

4.2 濾波預(yù)處理實驗

將待識別100張不同的人臉圖像分別加入中值濾波與均值濾波的人臉識別系統(tǒng)進行識別，同時運用本文算法，對比結(jié)果如下表3所列。

表3 不同濾波處理的效果比較

由表3可以看出：待識別100張不同的人臉圖像輸入中值濾波進行人臉識別，系統(tǒng)未出現(xiàn)識別錯誤，而輸入均值濾波時出現(xiàn)了兩次錯誤，且識別速度比中值濾波預(yù)慢了0.5秒。

5 結(jié)束語

本文提出一種中值濾波、PCA與SVM相結(jié)合的人臉識別算法，并在MATLAB平臺設(shè)計并搭建了人臉識別系統(tǒng)，針對不同算法、SVM核函數(shù)以及兩種濾波進行實驗仿真。通過實驗表明，本文算法有效解決了圖像維數(shù)高、計算量大的問題，同時加入了中值濾波處理的系統(tǒng)對光照變化、噪聲具有一定的魯棒性，有效提高了識別率。但對于變形人臉、遮擋人臉和模糊人臉則存在適用性局限，有待于進一步研究。

[1]楊雨龍，叢英.錯位指紋圖像自動檢測的深度學(xué)習(xí)方法[J].數(shù)學(xué)建模及其應(yīng)用，2018，7（2）：23-29.

[2]鐘璇.翻譯倫理視角下的災(zāi)難新聞編譯研究[D]，廣東外語外貿(mào)大學(xué)，2016.

[3]王立逗.復(fù)雜光照變化下的人臉識別方法研究[D].重慶郵電大學(xué)，2015.

[4]付瑤.具有年齡魯棒性的人臉識別算法研究[D].北京交通大學(xué)，2015.

[5]劉萬軍，李天慧，曲海成，等.基于DS聚類的高光譜圖像集成分類算法[J].計算機應(yīng)用研究，2018，35（10）：3130-3133.

[6]彭安杰，康顯桂.基于濾波殘差多方向差分的中值濾波取證技術(shù)[J].計算機學(xué)報，2016，38（03）：503-506.

[7]Fadhlan K Z，Amir A S，Yasir M M. Robust Face Recognition Against Expressions and Partial Occlusions[J]. International Journal of Automation and Computing.2016. 13（04）：319-337.

[8]張海鋒.壓縮感知圖像重構(gòu)及去噪算法的研究[D].燕山大學(xué)，2016.

[9]方政，胡曉輝，陳永.二級推理在圖像去噪中的應(yīng)用[J]. 計算機應(yīng)用與軟件，2016，33（10）：194-197.

[10]李春娜，陳偉杰，邵元海.魯棒的稀疏Lp-模主成分分析[J].自動化學(xué)報，2017，55（01）：142-151.