向 洋，董林鷺，宋 弘，余坤鍵

(四川輕化工大學(xué) 自動(dòng)化與信息工程學(xué)院，四川 自貢 643000)

0 引 言

人工智能開啟了新時(shí)代的紀(jì)元，讓人們感受到科技發(fā)展給生活方式帶來了巨大變化。其中，人工智能這個(gè)大課題中較為重要的一節(jié)就是機(jī)器對(duì)人臉的識(shí)別能力[1]，如目前最新奇的人臉支付，再到安裝了人臉識(shí)別系統(tǒng)的門禁[2]等等。如何讓機(jī)器像人一樣準(zhǔn)確地識(shí)別出人臉經(jīng)過了漫長(zhǎng)的發(fā)展[3]。在獲得人臉的訓(xùn)練樣本時(shí)質(zhì)量并非都是理想的，其中有光照、姿態(tài)、是否有遮擋物等因素的影響[4-5]。在訓(xùn)練樣本較多時(shí)這樣的影響相對(duì)不明顯。訓(xùn)練樣本較少時(shí)將會(huì)嚴(yán)重影響機(jī)器對(duì)人臉識(shí)別的準(zhǔn)確度，出現(xiàn)小樣本問題[6]。一些學(xué)者提出了利用人臉的原始樣本圖像生成虛擬樣本增加訓(xùn)練樣本的數(shù)量。如Xu等人[7]提出利用原始人臉樣本生成鏡像人臉來提高識(shí)別率，Xu等人[8]利用原始人臉樣本生成對(duì)稱人臉來提高識(shí)別率，Wu等人[9]提出(PC)2A調(diào)節(jié)不同參數(shù)獲得虛擬人臉，楊明中等人將鏡像人臉、對(duì)稱人臉、原始人臉通過權(quán)值為1的融合算法提升識(shí)別率[10]。項(xiàng)曉麗[11]利用原始樣本與鏡像樣本權(quán)值融合，采用協(xié)同表示分類器識(shí)別取得了較好的識(shí)別率。徐艷[12]提出原始樣融合虛擬平均臉和虛擬對(duì)稱臉構(gòu)成新的訓(xùn)練樣本，利用模糊決策方法進(jìn)行分類。

在面對(duì)小樣本等問題時(shí)，不光對(duì)訓(xùn)練樣本進(jìn)行研究，對(duì)識(shí)別的算法也有研究，目前最常用的識(shí)別算法有兩種。第一種是稀疏表示分類器(sparse representation based classification，SRC)[13]，由Wright等于2009年提出的一種利用訓(xùn)練人臉的稀疏線性組合表示測(cè)試樣本人臉的算法，達(dá)到對(duì)人臉的識(shí)別能力。該算法識(shí)別率高，但是由于所需訓(xùn)練樣本數(shù)量較多，運(yùn)算量較大，處理時(shí)間無法滿足實(shí)際工程的要求。第二種是協(xié)同表示分類器(collaborative representation based classification，CRC)[14]，由張磊等提出的一種利用正則化范數(shù)最小化技術(shù)。該方法具有運(yùn)算時(shí)間快，所需樣本相對(duì)較少等優(yōu)點(diǎn)。這里利用該算法來驗(yàn)證文中提出的方法對(duì)提高人臉識(shí)別率的有效性。

1 虛擬樣本的生成

在小樣本問題上，用原始人臉圖像生成虛擬樣本，是提高識(shí)別率的一種快捷且有效的方法。這里主要介紹利用原始人臉圖像生成水平鏡像圖像和左軸對(duì)稱圖像的原理。

水平鏡像圖生成原理：以人臉圖像的中軸線為中心，像素點(diǎn)的行位置保持不變，列位置從左到右相互交換，將原始人臉圖像中像素點(diǎn)位置定義為f(x1,y1)，用M、N分別表示該矩陣的行與列，f(x2,y2)表示鏡像處理后得到的像素點(diǎn)位置。表達(dá)式如下：

(1)

左軸對(duì)稱虛擬樣本的原理與水平鏡像的生成原理類似，區(qū)別在于將中軸線右半部分的像素值歸零得到f'(x1,y1)，再對(duì)f'(x1,y1)鏡像處理得到f'(x2,y2)，最后將f'(x1,y1)與f'(x2,y2)相加得到左軸對(duì)稱圖f(x3,y3)。

2 Canny算子的基本原理

對(duì)單樣本生成虛擬樣本加權(quán)混合后，利用Canny算子[15]提取混合樣本人臉輪廓的邊緣信息。具體步驟如下：

(1)對(duì)加權(quán)混合后的人臉進(jìn)行高斯濾波處理。減少高斯噪聲對(duì)邊緣信息提取過程中造成的影響。高斯濾波表達(dá)式如下所示：

(2)

其中，δ表示高斯曲線標(biāo)準(zhǔn)差。

(2)計(jì)算出圖像的梯度像素梯度幅值及其方向值，分別用M(x,y)、θ(x,y)表示，數(shù)學(xué)表達(dá)式如下所示：

(3)

(4)

其中，Gx、Gy的數(shù)學(xué)表達(dá)式如下所示：

Gx=

(5)

Gy=

(6)

其中，f(x,y)表示人臉圖像中某一點(diǎn)的像素值。

(3)對(duì)計(jì)算出的M(x,y)值做非極大值抑制處理，目的是細(xì)化邊緣上的像素點(diǎn)。邊緣提取的原理是對(duì)人臉圖像中相鄰兩個(gè)像素點(diǎn)的值變化較大的點(diǎn)作為輪廓的邊緣點(diǎn)，但這樣得到的邊緣點(diǎn)比較粗糙。

(4)針對(duì)步驟(3)中粗糙的邊緣點(diǎn)，設(shè)定高閾值K1和低閾值K2進(jìn)一步準(zhǔn)確判斷出邊緣點(diǎn)。當(dāng)步驟(3)中確定的邊緣點(diǎn)的像素值大于K1時(shí)，判斷該點(diǎn)為邊緣點(diǎn)。反之，小于K2時(shí)，判斷該點(diǎn)為非邊緣點(diǎn)。介于K1、K2之間時(shí)，再判斷該點(diǎn)周圍是否有確定的邊緣點(diǎn)，若有就認(rèn)為該點(diǎn)是為了保證邊緣連續(xù)的點(diǎn)確定為邊緣點(diǎn)，反之為非邊緣點(diǎn)。

3 混合樣本與邊緣信息融合處理

由于存儲(chǔ)技術(shù)的限制，將一幅人臉生成多幅虛擬樣本，再按不同比例的權(quán)重融合到一幅人臉圖像中組成混合樣本并提取其邊緣信息，再將混合樣本與邊緣信息融合，這樣處理既讓一幅人臉圖像盡可能地包含更多的特征信息，同時(shí)也節(jié)省了存儲(chǔ)空間。

用f(x1,y1)表示原始人臉圖像，f(x2,y2)表示水平鏡像人臉圖像，f(x3,y3)表示軸對(duì)稱人臉圖像，融合過程數(shù)學(xué)表達(dá)式如下：

H(x,y)=w1f(x1,y1)+w2f(x2,y2)+w3f(x3,y3)

(7)

其中，H(x,y)表示混合樣本，w1、w2、w3表示各自的權(quán)重，滿足以下情況：

(8)

得到混合樣本后提取其邊緣信息，將兩者相加融合到一幅人臉圖像中，數(shù)學(xué)表達(dá)式如下：

R(x,y)=H(x,y)+nC(x,y)

(9)

其中，C(x,y)表示混合樣本的邊緣提取圖像，n表示圖像的灰度值范圍0～255，文中n取0、20、60、255。R(x,y)表示混合樣本與其邊緣信息融合后的圖像，如圖1所示，其中第一行是原始人臉圖，第二行是虛擬樣本權(quán)值都為0.3的混合人臉圖，第三行是混合人臉圖融合了其邊緣信息并且邊緣信息圖的灰度值為60。

圖1 融合后的虛擬樣本

4 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證文中方法的有效性，采用協(xié)同表示分類器CRC來獲得不同權(quán)值情況下的人臉識(shí)別準(zhǔn)確率。以人臉庫ORL、FERET、AR作為實(shí)驗(yàn)對(duì)象。其中ORL人臉庫是由劍橋大學(xué)AT& T實(shí)驗(yàn)室創(chuàng)建，包含了40個(gè)不同人的人臉，每個(gè)人有10幅包含不同姿態(tài)的圖像共400幅，部分人臉如圖2所示。FERET人臉庫的特點(diǎn)是該人臉庫大多數(shù)為西方人且表情變化單一，包含了200個(gè)不同人的人臉，每個(gè)人有7幅圖像共1 400幅，部分人臉如圖3所示。

圖2 ORL人臉庫部分人臉

圖3 FERET人臉庫部分人臉

AR人臉圖包含了100個(gè)不同人的人臉，每個(gè)人有13幅包含不同表情、光照、遮擋的圖像共1 300幅，部分人臉如圖4所示，在實(shí)驗(yàn)之前人臉庫全部轉(zhuǎn)換為深度為8 bit的灰度圖。以Matlab2013a為仿真軟件，處理器是英特爾i7-4770、頻率3.40 GHz，運(yùn)行內(nèi)存為16 GB的平臺(tái)上得到實(shí)驗(yàn)結(jié)果。

圖4 AR人臉庫部分人臉

實(shí)驗(yàn)主要驗(yàn)證了由原始單樣本和其生成的虛擬樣本(水平鏡像圖、左軸對(duì)稱圖)、虛擬樣本在權(quán)值之和等于1構(gòu)成的混合樣本、權(quán)值之和大于1構(gòu)成的混合樣本、權(quán)值之和小于1構(gòu)成的混合樣本，等幾種新構(gòu)成的不同樣本，分別融合不同灰度值(255、60、20)的邊緣信息，得到的單樣本下的人臉的識(shí)別率。其中ORL人臉庫與FERET人臉庫每類樣本選前三幅分別作為單樣本實(shí)驗(yàn)對(duì)象研究，AR人臉庫分別選擇第1、7、8、11作為單樣本實(shí)驗(yàn)對(duì)象研究。

分析實(shí)驗(yàn)數(shù)據(jù)可知，生成的虛擬樣本單獨(dú)作為訓(xùn)練樣本時(shí)，會(huì)嚴(yán)重破壞原始人臉樣本的信息結(jié)構(gòu)，使得識(shí)別率下降，其中對(duì)鏡像虛擬樣本破壞最嚴(yán)重。對(duì)應(yīng)樣本與其提取的邊緣信息融合后相加的邊緣的灰度值為255時(shí)，在人臉有遮擋情況時(shí)識(shí)別率提升3%左右，但在無遮擋或遮擋部分較少時(shí)會(huì)使對(duì)應(yīng)樣本信息結(jié)果被破壞造成識(shí)別率下降。當(dāng)邊緣信息灰度值取60或20時(shí)能使對(duì)應(yīng)的樣本識(shí)別率提升1%～2%。

對(duì)于姿態(tài)變化豐富的ORL人臉庫，原始人臉圖像與虛擬樣本加權(quán)融合，從ORL人臉庫的實(shí)驗(yàn)結(jié)果可得，當(dāng)權(quán)值之和為1時(shí)，識(shí)別率提升1%～7%。權(quán)值之和大于1時(shí)，識(shí)別率提升1%～9%。權(quán)值之和小于1時(shí)，識(shí)別率提升1%～6%。對(duì)于變化單一的FERET人臉庫，權(quán)值之和為1時(shí)，識(shí)別率提升2%～10%。而權(quán)值之和大于1時(shí)，識(shí)別率最高可提升2%～12%。權(quán)值之和小于1時(shí)，識(shí)別率提升1%～12%。

對(duì)于表情豐富、有遮擋和光照影響的AR人臉庫，將無遮擋物和光照影響的人臉生成虛擬樣本混合后權(quán)值之和大于1或等于1時(shí)加上其灰度值為20的邊緣信息，識(shí)別率提升3%左右。權(quán)值之和小于1時(shí)，會(huì)破壞人臉結(jié)構(gòu)信息造成識(shí)別率下降。將只受到光照影響的人臉生成虛擬樣本混合后權(quán)值之和小于1時(shí)識(shí)別率有略微提升，其他權(quán)值相加情況都會(huì)降低識(shí)別率。將受到小部分遮擋的人臉生成虛擬樣本混合后權(quán)值之和大于1時(shí)，識(shí)別率能提升2%左右，其他權(quán)值相加情況只能略微提升識(shí)別率，將遮擋大部分的人臉生成虛擬樣本混合后權(quán)值之和大于1加上其邊緣信息識(shí)別率能提升3%左右，其他權(quán)值相加情況會(huì)破壞人臉結(jié)構(gòu)信息造成識(shí)別率下降。

實(shí)驗(yàn)結(jié)果表明，虛擬樣本混合的權(quán)值之和大于1時(shí)，提升識(shí)別率效果最優(yōu)。虛擬樣本混合的權(quán)值之和等于1時(shí)，提升識(shí)別率效果次之。虛擬樣本混合的權(quán)值之和小于1時(shí)，對(duì)識(shí)別率有提升效果，但是提升效果與前兩種情況相比最差。

5 結(jié)束語

在實(shí)際工程應(yīng)用當(dāng)中，采集到的人臉圖像質(zhì)量有好有壞，如在身份證、證件照等人臉圖像的采集質(zhì)量是無遮擋、表情等因素影響的，但是在監(jiān)控取證時(shí)獲得的人臉圖像，就會(huì)有各種不確定的因素影響。因此針對(duì)不同情況下單樣本人臉識(shí)別率的提升應(yīng)考慮不同的權(quán)值之和與不同的灰度值邊緣相加，融合得到新的訓(xùn)練單樣本來提升識(shí)別率。

實(shí)驗(yàn)結(jié)果表明，權(quán)值之和大于1且與灰度值變化的邊緣信息相加對(duì)大部分小樣本問題的人臉識(shí)別率有提升效果。