第23卷第4期 商洛学院学报 V01.23No·4
2009年8月 JournalofShangluoUniversity Aug.2009
基于特征脸加权组合的人脸识别
程国12,丁正生1
(1.西安科技大学理学院,陕西西安710054;2.商洛学院数学与计算科学系,陕西商洛726000)
摘要:将基于主成分分析的特征脸人脸识别
进行改进,以提高人脸识别率。首先利
用主成分分析法提取人脸图像的特征脸。然后经图像重构得到二阶特征脸。最后将两种特征
脸组合,构造组合特征,用三阶近邻法进行识别。在ORL人脸数据库上的试验结果
明。组合
特征脸法用于人脸识别有较高的可行性和较好的稳定性.且在识别率上优于特征脸方法,准
确率达到93.8%。
关键词:主成分分析;特征脸;二阶特征脸;人脸识别
中图分类号:TP391.4 文献标识码:A 文章编号:1674—0033(2009)04—0040-04
主成分分析方法(PrincipalComponent
Analysis,PCA),是线性特征提取最为重要的技术
之—均。它最早被TurkM和Pentland用于人脸识
别的研究,提出了著名的“特征脸'J【3-41(Eigenfaces)
方法,取得了不错的效果。经典的“特征脸”方法
利用人脸的低频特征进行识别,其特征空间取原
始训练图像协方差矩阵的前d个最大特征值对
应的特征向量,但是它忽略了人脸图像中的高频特
征,而这些高频特征对人脸识别亦有一定的影响。
另外,主成分分析是一种基于全局的学习方法,没
有体现出iJll练集中训练样本之间的差异性。针对这
些缺点,近年来的一些学习算法都试图利用数据
的局部性来分析全局数据。Wang和Tan提出了二
阶特征脸f斓算法,二阶特征脸图像在同一光照条
件下,对人脸姿势变化不敏感。
本文提出一种基于特征脸加权组合的人脸
识别方法。先利用主成分分析法提取人脸图像的
特征脸,经图像重构后得到二阶特征脸,然后将
两种特征脸加权组合,构造组合特征。实际上,特
征脸和二阶特征脸分别对应于人脸图像的低频
和高频特性,具有一定的互补性。最后用三阶近
邻法进行人脸识别决策。
1主成分分析的特征脸与二阶特征脸
1.1主成分分析的特征脸
主成分分析方法(PrincipalComponent
Analysis,PCA),即离散K—L变换,是一种基于目
标统计的方法。其目的是推导出新的变量(按重
要性降序排列),这些新变量是原始变量的线性组
合且互不相关。从几何观点来说,主成分分析产生
一个正交坐标系,其中坐标轴按照相应的主成分
在原始数据中所占的方差量排列。如果最初的几
个成分占了方差的大部分,则可以用它们来描述
原始数据,这就导致了用较少维数表示。下面介绍
主成分分析应用于人脸识别的基本原理同。
设人脸图像船,力为二维m×R灰度图像,每
点对应的灰度值按各行列相连构成一个D=mxn
维列向量,D就是人脸图像的维数。设肘为训练
样本集中的图像总数,五为第i幅人脸图像的人
脸向量,则所有训练样本的协方差矩阵为:
1三
c=寺乞岱荆Ⅸ刊7 (1)
』¨ /=l
其中肛为所有训练样本的平均图像向量:
1三
舻寺乞置 (2)
』¨ i=l
令-A=[Xl牛Z2.弘,⋯Ⅸ扩埘,则
C=AA7 (3)
其维数为DxD。
根据K—L交换原理,所求的新坐标系由矩阵
AA7的非零特征值所对应的特征向量组成。直接
收稿日期:2009-06-08
基金项目:陕西省教育厅专项科研基金项目(05JIQ55)
作者简介:程国(1983-),男.甘肃临泽人,西安科技大学硕士研究生·商洛学院数学与计算科学系助教
万方数据
第4期 程 国,丁正生:基于特征脸加权组合的人脸识别 41
求AA7矩阵的特征值和正交归~化特征向量是
很困难的,根据奇异值分解原理,通过求L'-ArAQ
是MxM维的较小矩阵)的特征值和特征向量来
获得AAr的特征值和特征向量。
令Ai(扛l,2,⋯,)为矩阵£的r个非零特征
值,M为L对应于Ai的特征向量,则C的正交归
一化特征向量l/i为:
l/i-"—兰=Avl(i=l,2,⋯,) (4)
V九
将矩阵4A7的特征值按大小排N-入。≥k≥
⋯≥入,>o,其对应的特征向量为啦。这样,每一幅
人脸图像都可以投影到Ul,U:,⋯,l‘,张成的子空间
中.为了减少维数,可以仅选取前面d个特征向
量作为子空间。可以按照特征值所占的能量比例
来选取前面d个特征向量:
d
∑A。
{o_≥理 (5)
∑A;
卸
通常取et=90%一99%。
由于这些特征向量所对应的图像很像人脸,
所以被称为“特征脸(Eigen—faces)。有了这样一个
由“特征脸’组成的降维子空间,任何一幅图像都
可以向其投影并获得一组坐标系数,这组系数表
明了该图像在此子空间中的位置,从而可以作为
人脸识别的依据。
1.2二阶特征脸
在“特征脸”方法中,初始的人脸向量X=Ⅸ,,
X:,⋯,X坊,M为训练样本图像总数,可以通过一
个正交矩阵降为d维特征向量,表达式如下:
S,=Ur(X,--g),i=1,2,⋯,M (6)
其中U=(Ⅱ,,Ⅱ2,⋯o@硼且吻是AA7的第.『个
最大的特征值对应的特征向量;p为所有训练样
.三
本的平均图像向量,即舻告艺置。
对第i个原始输入图像置,可以用以S泓进
行重建,
表示为:
五’=US,+Iz,i=1,2,⋯,M (7)
这样就得到了原始图像的重建图像墨’,用原始
图像置减去重建图像兄’,就得到其对应的二阶
特征脸图像:
Yi私广五7,i=1,2,⋯,M (8)
这些图像构成了二阶特征脸子空问。任何一幅图
像都可以向其投影并获得一组坐标系数,这组系
数表明了该图像在此子空间中的位置,也作为人
脸识别的依据。
2特征脸组合法
将所有的训练样本图像X』江1,2,⋯,肘)向特
征脸子空间和二阶特征脸子空间投影,得到投影
向量为:Tiff),聪“,⋯,甜1)和兀圆,巧习,⋯,卵。以后
就可以用砰1)和铲来表示第i幅人脸图像。为了
表示第i幅图像的特征正,构造以下组合公式:
正=(0【即1’卢卵),i=1,2,⋯川 (9)
其中邶为两种不同特征的权重,通过权重的调
节可以得到更好的结果。对邸的取值,尚无固
定的算法,将在实验中根据具体实验选取。
对任一待识别人脸图像,,向两个特征子空
间中投影,得投影向量为,f1)和p,它的组合特征
为难(“1’卢聊。
3分类识别
采用近邻法【gl设计分类器,计算每一个待识
别图像的特征向量与每一类训练样本图像的特
征向量之间的距离:
嘭--F—II,(i=1,2,⋯朋 (10)
使函取得最小值时所对应的i为所求人脸图像
序号,从而完成了识别。
4仿真实验及结果分析
本文取用英国剑桥大学Olivetti研究所制作
的ORL人脸数据库[91进行识别实验。ORL人脸数
据库是基于姿态表情改变的人脸数据库。该数据
库有40人、每人10种不同的姿态及表情、共400
幅图像:分辨率为112x92,灰度级为256。这些图
像是在不同时间、不同视角、不同面部表情(睁着
眼睛或者闭着眼睛,笑的,非笑的)及不同脸部细
节(戴眼镜或者不戴眼镜,有胡须或没胡须)的条
件下拍摄的。图l为部分人脸图像。
图lORL人脸数据库中的部分人脸图像
4.1图像预处理
在人脸识别中输入的人脸图像不是很
,
存在模糊、倾斜、光照不均等情况时,为了保证样
万方数据
42 商洛学院学报 2009年8月
本具有较好的模式紧致性,需要对图像进行必要
的预处理,包括人脸校正和光照补偿两个方面。在
校正方面,对图像进行图像旋转、图像剪裁、图像
放缩,得到统一大小的标准图像。ORL人脸库中图
片尺寸大小一致,没有复杂背景、歪头及过度的
脸部扭曲,所以在预处理中只对图像进行光照的
补偿,而不需要人脸校正。
图像预处理力求改善人脸图像的质量,使得
一方面在视觉上产生更清晰的目标,另一方面为
人脸识别提供更有效的分类空间。即使同一个人
的图像也随着光照条件的变化而千差万别,整体
光照影响会造成人脸变亮或变暗,而局部光照影
响会造成人脸出现阴影。可以采用快速的直方图
均衡作为处理方法,以去除光照影响、改善对比
度,得到了所谓的标准图像。
人脸图像的直方图与图像的均值和方差密
切相关,图像的均值和方差分别定义为:
炉由善荟。嘲D.】
4.2实验结果及分析
分别用特征脸算法和二阶特征脸算法进行
特征提取,提取的部分特征脸图像和二阶特征脸
图像如图3所示。
(a)特征脸图像
㈣二阶特征脸图像
图3特征脸与二阶特征脸图像对比
表1 对k取不同值时本文算法的识别率比较
02=面孑菩荟‘DM们叫)2 (12)
其中,D明D.】代表图像像素的灰度值,形代表图像
的宽度,日代表图像的高度。
光照越强均值越大,光照越弱均值越小;图像
的亮度变化越大,方差越大,图像的亮度变化越
小,图像的方差越小。通过对人脸图像的每一个像
素的灰度值做下式的运算:
D乍蜘=争(D[iM刊枇 (13)
这样就把所有的人脸图像处理成具有相同的均
值/.to和方差蠢,本文中取m为190,%为46时,
由文献[10—11】可知此时的图像比较清晰易于进
行特征提取。预处理结果如图2所示。
(a)预处理前的图像
(b)预处理后的图像
图2预处理前后的图像对比
160样本200样本240样本280样本320样本360样本
识别率 识别率 识别率 识别率识别率 识别率
对d,卢的取值,设I|}=鲁,为了强化低频信息,
淡化高频细节,取k∈(o,1),考察了k取值不同的
情况下的识别率后认为,k的取值为0.4时,识别
率最高(识别结果如表1所示)。
图4两种算法的识别率比较
图4给出了运用主成分分析和特征脸组合法的
识别率比较。可以看出,随着训练样本数目的增多,
咖蟠吣呲
nu
nu
n
nu如弘勰弘
9
9
9
9
n
n
n
n心弘拐H
9
9
9
9
n
n
n
n7}踞昭跖眇
n
n
n
n弱舳∞∞
nu
n
nu
nu黜她驯哪
n
n
n
n
2
4
6
8
n∞n
n
万方数据
第4期 程 国,丁正生:基于特征脸加权组合的人脸识别 43
识别率也会不断增大;相比之下,本文的特征脸组合
法比特征脸法识别效果更好,特征脸组合法最优识
别率为93.8%,而PCA的最优识别率仅为905%,而
且特征脸组合法有着比较稳定的识别率。
5结束语
本文提出了一种基于特征脸加权组合的人
脸识别方法,通过抽取原始图像的特征脸和二阶
特征脸,并将两种不同的特征进行了组合,用最
近邻分类器进行人脸识别决策。实验表明,所提方
法很好的利用了两种特征脸,具有一定的互补
性,有着较好的识别结果。实验结果表明该方法
的较高可行性和较好稳定性。
参考文献:
11]MaximA,Gmdin.Oninternalrepresentationsinfacerecogn
ilionsysteⅢs【J].PatternRecognhion,2000,33(8):1161-1177,
121Pentland丸Lookingatpeoplesensingforubiquitousand
wearablecomputing[J].IEEETramPatternAhalMachine
Intel,2000,22(1):107-I19.
【3】PentlandA,MohandasB,StamerT.View-basedandmonoc
ulareigenspaeesforfacereeongnition[C】.IEEECo,矿On
co,加u,terVisionandPatternRecongnition,199&84-91.
【4】TurkMPentlandA.EigenfaceforRecognition[]]JCogNeuro
sis.1991.23(3):71—86.
【5】Wan91.3"anTKExperimentsresuhsoffacedescriptionbased
onthe2nd-ordereigenfacesmethod[S].ISO/MPEG6001.
Geneva.2000—05.
【6】WangU’柚TEAnewproposalforfacefeaturedescription
叠弭S0伽PEG6001,Noordwikerhout,2000-05.
【7】张晓红,汤晓华.基于KernelPCA的人脸识别算法的探
讨町北京工商大学学报:自然科学版2008,26(3):37-38.
【8】边肇祺,边学工.模式识别[M12版.北京:清华大学出版杜
2000:223—225.
【9】Olivettiinsfitute.ORLfacedatabase[DB/OLI.1994-09-01
(2009-03-14)http-.//www.uk.research.att.con/facedatabas
e.html.
【10】SunT,NeuvoY.Detail-preservingmedianbasedfdtersin
imageprocessing[J]PatternRecognition,1994,15-.341-347.
【11】徐春明,乐晓蓉.一种基于核主成分特征组合的人脸识
别方法忉.计算机
与应用,2006(3):76--77.
FaceRecognitionBasedon
(责任编辑:张国春)
theWeightedCombinationofEigenface
CHENGGuo他,DINGZheng-shen91
(1.DepartmentofMathematicsandComputerScience,ShangluoUniversity,ShangluoUniversity,
Shaanxi726000;2.SchoolofScience,Xi'anUniversityofScienceandTechnology,Xi'an,Shaanxi
Shangluo,
710054)
Abstract:Inordertoincreasefacerecognitionrate,weimprovetheeigenfacemethodofprincipal
componentanalysis.Firstlyprincipalcomponentanalysismethodisusedtoextracttheeigenfaceofinitial
images,andthenwegetthesecond—ordereigenfaceimagesbyrebuildingimages.Lastly,wecombinethe
twokindsofeigenfacevectorsofeveryoneintoalongervector,usethird-orderneighborclassifierto
classifyandidentifythetestimages.Toverifytheefficientofthemethod,wetestthismethodonORLface
databaseandexperimentresultshowsthateigenfaeecombinationmethodforfacerecognitionhavehigh
feasibilityandgoodstability,andtherecognitionrateisbetterthaneigenfaeemethod,theaccuracyrate
reachto93.8%.
Keywords:principalcomponentanalysis;eigenface;second-ordereigenfaee;facerecognition
万方数据
基于特征脸加权组合的人脸识别
作者: 程国, 丁正生, CHENG Guo, DING Zheng-sheng
作者单位: 程国,CHENG Guo(西安科技大学理学院,陕西西安,710054;商洛学院数学与计算科学系,陕西
商洛,726000), 丁正生,DING Zheng-sheng(西安科技大学理学院,陕西西安,710054)
刊名: 商洛学院学报
英文刊名: JOURNAL OF SHANGLUO UNIVERSITY
年,卷(期): 2009,23(4)
参考文献(11条)
1.徐春明;乐晓蓉 一种基于核主成分特征组合的人脸识别方法[期刊论文]-计算机工程与应用 2006(03)
2.Sun T;Neuvo Y Detail-preserving median based filters in image processing 1994
3.Olivetti institute.ORL facedaLabase 2009
4.边肇祺;边学工 模式识别 2000
5.张晓红;汤晓华 基于Kernel PCA的人脸识别算法的探讨[期刊论文]-北京工商大学学报(自然科学版) 2008(03)
6.Wang L;Tan T K ISO/MPEG 6001.A new proposal for face feature description 2000
7.WangL ISO/MPEG 6001.TanTKExperimentsresultsoffacedescription based on the 2nd--order eigenfaces
method 2000
8.Turk M;Pentland A Eigenface for Recognitior[外文期刊] 1991(03)
9.Pentland A;Mohandas B;Stamer T View-based and monoc ular eigenspaces for face recongnition 1994
10.Pentland.4.Looking at people:sensing for ubiquitous and wearable computing[外文期刊] 2000(01)
11.Maxim A;Grudin On internal representations in face recogn ition systems[外文期刊] 2000(08)
引证文献(1条)
1.刘亚亚.丁正生 基于改进最大间距准则和支持向量机的人脸识别[期刊论文]-现代计算机(专业版) 2010(9)
本文链接:http://d.g.wanfangdata.com.cn/Periodical_slsfzkxxxb200904009.aspx