朱強軍，許佳煒，王 楊，，張廣海，高 麗

(1.安徽師范大學(xué)皖江學(xué)院 電子工程系，安徽 蕪湖 241008；2.安徽師范大學(xué) 計算機與信息學(xué)院，安徽 蕪湖 241003)

0 引言

人臉識別與虹膜識別等生物特征識別方法相比，具有非干擾性等優(yōu)點，一直是人工智能、計算機視覺、心理學(xué)等領(lǐng)域的熱門研究。人臉識別包括人臉圖像的預(yù)處理、人臉特征的提取、人臉特征的識別等，特征提取和分類器的好壞直接影響人臉識別的速度和精度。

人臉特征可以分為全局特征和局部特征2類，后者對光照、姿態(tài)等變化的魯棒性更好。韓萍等[1]采用局部二進制模式(Local Binary Patterns，LBP)特征對真實的機場區(qū)域進行了提取。孫維亞等[2]利用LBP特征算法對目標(biāo)的ROI區(qū)域進行紋理計算，實現(xiàn)了多視點的目標(biāo)識別。王紅星等[3]通過計算中心像素與其鄰域內(nèi)各像素差值平方和的大小，采用不同的閾值計算LBP值，實現(xiàn)了對圖像局部特征的準(zhǔn)確描述及降低噪聲點的影響。Ahonen等[4]提出了分塊局部二進制模式(Multi-block Local Binary Pattern，MB-LBP)特征提取方法。宋艷萍等[5]利用不同尺度的MB-LBP算子組合，提取圖像紋理特征并構(gòu)造了人臉圖像的3階張量模型。支持向量機(Support Vector Machine，SVM)分類器在解決非線性和小樣本問題上有較大優(yōu)勢，但受SVM核函數(shù)及其參數(shù)的限制[6]。Huang等[7]利用遺傳算法(Genetic Algorithm，GA)優(yōu)化SVM參數(shù)，獲得了較好的全局尋優(yōu)能力，但分類精度低、訓(xùn)練時間長，容易陷入局部最優(yōu)。陳晉音等[8]利用粒子群算法(Particle Swarm Optimization，PSO)尋找SVM參數(shù)，具有尋優(yōu)精度高的優(yōu)點，但尋優(yōu)速度慢，也容易陷入局部最優(yōu)。麻雀搜索算法[9](Sparrow Search Algorithm，SSA)優(yōu)化SVM相關(guān)參數(shù)，具有求解精度高、收斂速度快、穩(wěn)定性好等優(yōu)點。

在上述研究的基礎(chǔ)上，本文提出一種基于分塊LBP特征和SSA優(yōu)化SVM的人臉識別算法。算法首先對圖像分塊，提取每個子分塊的統(tǒng)一化LBP特征并進行特征融合；再使用快速主成分分析法對圖像進行降維處理，獲得圖像特征；其次，使用SSA優(yōu)化SVM分類器的核函數(shù)參數(shù)和懲罰系數(shù)；最后，將人臉圖像特征輸入到優(yōu)化后的SVM分類器進行分類。

1 B-LBP特征提取

LBP是一種高效的圖像局部紋理特征提取算法，能反映每個像素與其周圍像素的關(guān)系，具有分類能力強、旋轉(zhuǎn)不變性、局部魯棒性好、計算復(fù)雜度小等特性。LBP的主要思想是以圖像中某一點與其鄰域像素的相對灰度作為響應(yīng)，即以圖像中某一像素點灰度為閾值，對其周圍的鄰域進行二值化，得到1個二進制數(shù)。該二進制數(shù)就是中心像素點的LBP值。為了在不同大小和形狀上使用LBP算子，利用圓形的鄰域和雙線性插值運算可以得到任意數(shù)目(P)和半徑(R)的鄰域像素點，記作LBPP,R。LBP特征提取原理如圖1所示。

圖1 LBP特征提取原理

(1)

(2)

式(1)～(2)中，(xC,yC)為中心點C的位置坐標(biāo)；IC為中心點的灰度值；Ii(i=0,1,2,…,6,7)為IC鄰域內(nèi)點的灰度值。

2 SSA算法原理

SSA是模擬麻雀尋找食物以及逃避捕食者行為的群智能優(yōu)化算法[9]。該算法設(shè)定種群中有發(fā)現(xiàn)者與加入者2類麻雀，加入者會追隨發(fā)現(xiàn)者向著食物充盈的區(qū)域移動。麻雀覓食位置的好壞決定了個體所具備能量的高低，能量越高則代表適應(yīng)度值越好。此外，在種群中按比例隨機選取部分作為預(yù)警者，預(yù)警者會根據(jù)具體的情況更新位置。

發(fā)現(xiàn)者位置更新公式為：

(3)

加入者位置更新公式為：

(4)

預(yù)警者位置更新公式為：

(5)

3 基于SSA優(yōu)化的SVM算法

SVM算法的核心思想是尋找一個最優(yōu)超平面，將樣本進行正確分類，并使分類間隔最大、模型泛化能力最強。高斯核函數(shù)適應(yīng)性好，能直接反映樣本間的距離，常被選作為SVM的核函數(shù)。SVM分類效果主要取決于懲罰系數(shù)C和核函數(shù)參數(shù)σ。因此，采用SSA算法對SVM參數(shù)進行優(yōu)化，獲取合適的SVM參數(shù)，得到最優(yōu)的SVM模型。SSA優(yōu)化SVM參數(shù)的算法流程如圖2所示。

1)初始化SSA參數(shù)以及SVM相關(guān)參數(shù)。設(shè)n為種群數(shù)量；Imax為最大迭代次數(shù)；PD，SD分別為發(fā)現(xiàn)者、預(yù)警者比例系數(shù)；ST為安全值；懲罰系數(shù)C和核函數(shù)參數(shù)σ的下邊界為bl、上邊界為bu。

2)計算初始麻雀的適應(yīng)度值，確定發(fā)現(xiàn)者和加入者數(shù)量。按照發(fā)現(xiàn)者比例系數(shù)PD，在種群中選取一些適應(yīng)值較高的麻雀作為發(fā)現(xiàn)者，未被選取的麻雀作為加入者。明確麻雀中最優(yōu)適應(yīng)度值fg和最差適應(yīng)度值fw所對應(yīng)的位置Xbest和Xworst。

3)發(fā)現(xiàn)者和加入者位置更新。發(fā)現(xiàn)者根據(jù)公式(3)更新自己位置，加入者根據(jù)公式(4)更新自己位置。

4)更新適應(yīng)度值，尋找最優(yōu)、最差位置。更新麻雀位置適應(yīng)度值，并確定麻雀中最優(yōu)適應(yīng)度值fg和最差適應(yīng)度值fw所對應(yīng)的位置Xbest和Xworst。

5)按照預(yù)警者比列系數(shù)SD，在種群中隨機選取麻雀作為預(yù)警者，并根據(jù)公式(5)更新預(yù)警者的位置。

6)更新所有麻雀適應(yīng)度值，確定最優(yōu)適應(yīng)度值fg和對應(yīng)的位置Xbest。

7)判斷是否達到最大迭代次數(shù)。如果達到最大迭代次數(shù)，則輸出最優(yōu)懲罰系數(shù)和核函數(shù)參數(shù)，獲得最優(yōu)SVM模型，優(yōu)化算法結(jié)束，否則跳轉(zhuǎn)到第3步。

圖2 SSA優(yōu)化SVM參數(shù)的算法流程

4 基于B-LBP特征和SSA優(yōu)化SVM的人臉識別算法驗證

為了驗證本識別算法的性能，在AMD Ryzen 74800H，2.90 GHz，16 G內(nèi)存、64位Win11操作系統(tǒng)中，采用Matlab R2020b編程環(huán)境進行實驗，SVM采用臺灣大學(xué)林智仁教授等開發(fā)設(shè)計的集成庫LIBSVM3.24。人臉數(shù)據(jù)庫采用ORL數(shù)據(jù)庫，共有40人，每人10幅，每幅像素大小為119×92。

4.1 最佳數(shù)據(jù)維度確定

對ORL數(shù)據(jù)庫中每幅人臉圖像進行4×4分塊，每塊進行統(tǒng)一化LBP特征提取，每幅人臉圖像的LBP特征向量維數(shù)為1×944，通過快速PCA進行降維處理，獲得圖像特征，再進行分類。降維處理后，維度與分類錯誤率如圖3所示。由圖3可以看出，當(dāng)降到50維時，訓(xùn)練樣本的分類錯誤率最低。

圖3 維度與分類錯誤率

4.2 SSA-SVM參數(shù)優(yōu)化

SSA優(yōu)化算法參數(shù)的初始值設(shè)定：種群數(shù)量為50，最大迭代次數(shù)為100，發(fā)現(xiàn)者比例80%，預(yù)警者比例20%，預(yù)警值為0.8，SVM參數(shù)(C，σ)的下邊界為[2-8，2-8]，上邊界為[28，28]，優(yōu)化算法以SVM的分類錯誤率為尋優(yōu)的適應(yīng)度值。在此基礎(chǔ)上，使用SSA，GA，PSO算法分別優(yōu)化SVM參數(shù)，得到迭代次數(shù)與適應(yīng)度關(guān)系如圖4所示。3種算法優(yōu)化SVM參數(shù)的尋優(yōu)時間見表1。

圖4 3種算法優(yōu)化SVM參數(shù)的迭代次數(shù)與適應(yīng)度關(guān)系

表1 3種算法優(yōu)化SVM參數(shù)的尋優(yōu)時間

由圖4可以看出，SSA算法在3次迭代以后適應(yīng)度下降為0，而PSO算法需要41次以上迭代才能下降為0，GA算法經(jīng)過100次迭代后適應(yīng)度也沒有下降為0。從尋優(yōu)時間上來看，SSA算法使SVM達到最優(yōu)狀態(tài)共耗時63.492 s；PSO算法單次迭代時間為11.271 s，最優(yōu)狀態(tài)共耗時450.84 s；GA算法迭代100次達到最優(yōu)狀態(tài)的總時間為1 263.54 s。由此可見，在相同的初始條件下，SSA算法比PSO和GA算法優(yōu)化SVM參數(shù)的效果更好。

4.3 算法測試

分別從ORL人臉庫中任意選取每個人i幅圖像(i∈[3，9]的整數(shù))為訓(xùn)練樣本，在最優(yōu)參數(shù)下，對SVM進行訓(xùn)練，獲得SVM模型，剩下的圖像依次標(biāo)記為i+1幅，i+2幅，…，9幅,10幅作為測試集。人臉識別算法識別率測試結(jié)果見表2。不同人臉識別算法的識別率見表3。由表2和表3可以看出，本算法隨著訓(xùn)練樣本增多，識別率呈上升趨勢。當(dāng)訓(xùn)練樣本數(shù)超過5幅/人時，識別率為100%。當(dāng)訓(xùn)練樣本≥3幅/人時，算法平均識別率為98.25%。與其他幾種人臉識別算法比較，本算法有更高的識別精度和效率。

表2 人臉識別算法識別率測試結(jié)果

表3 不同人臉識別算法的識別率

5 結(jié)論

基于B-LBP特征和SSA優(yōu)化SVM的人臉識別算法采用統(tǒng)一化LBP算子對每個子分塊提取圖像特征，通過特征融合、降維處理獲得人臉圖像特征，利用SSA搜索SVM最佳參數(shù)，提高了算法的抗干擾性和魯棒性。與其他人臉識別算法進行比較，本算法的識別精度和速度都有很大的提高。