基于PCA余像空間的ICA混合特征人臉識別方法

本文格式為Word版，下載可任意編輯——基于PCA余像空間的ICA混合特征人臉識別方法

第7期武妍等:基于PCA余像空間的ICA混合特征人臉識別方法

上的投影Rrsd:

Rrsd=UM2Xrsd

T

1609

ordereigenface)的人臉識別方法,該方法通過丟棄1階特征臉

方法得到的前數(shù)個反應(yīng)光照信息的特征臉,戰(zhàn)勝光照干擾的影響。

圖1中,(a)是YALE人臉庫中某5個人的原始人臉圖像,不同于基礎(chǔ)人臉庫ORL庫,Yale庫中的人臉圖像普遍受

光照干擾因素的影響比較明顯;(b)是對應(yīng)(a)的使用主元分析法得到的1次主元特征臉集中前6個對應(yīng)較大特征值的特征臉重建的人臉圖像;而(c)則是對應(yīng)(a)的基于2階特征臉方法的重建人臉,在本文中我們稱其為PCA余像。可以看到,(c)中的PCA余像包含了原始人臉圖像的大部分高頻身份特征信息,而由前6個PCA主元重構(gòu)的人臉圖像(b)則較為模糊,包含的身份特征明顯少于光照變化等干擾特征。這也從直觀上說明白2階特征臉方法的合理性和有效性

。

(4)

同時對UM2作獨立元分析得到獨立元特征SM2=[s1,s2,…,sM2],Rrsd在SM2上的投影Frsd為:

Frsd=SM2Rrsd

T

(5)

這里得到的Frsd就是人臉圖像基于PCA余像空間的獨立元特征。

2.2基于混合特征的NFL人臉識別

本文采用最近鄰特征線(NearestFeatureLine,NFL)分類器[12]進行最終的人臉識別,該方法具有實現(xiàn)簡單、識別效果好的特點。

綜合了基于PCA余像空間的獨立元特征(Frsd)和原始人臉圖像的獨立元特征,NFL,2階特征臉方法

PCA,,使得本。

設(shè)δdist(x,xt)表示待匹配人臉x和模板人臉xt在特征空間中的距離,我們采用的是歐氏距離作為度量范數(shù):δ-y′dist(x,xt)=w1‖y-yt‖+w2‖y′t‖

(6)

其中y和yt分別代表原始待匹配人臉x和模板人臉xt的獨立元特征投影,而y′和y′t則代表待匹配人臉x和模板人臉

xt依據(jù)2.1所述方法得到的基于PCA余像空間的獨立元特征

圖1原始人臉圖像和相應(yīng)的重建人臉圖像及PCA余像

投影,系數(shù)w1和w2反應(yīng)了這兩種特征的重要程度。對于光照變化較大的人臉圖像,訓練得到的w2相對較大,由此得到的δdist(x,xt)具有較強的抗光照變化干擾的能力,進而能夠得到更佳的識別效果;而對于光照影響不大的人臉圖片,訓練得到的較小w2可有效提高該方法的整體識別效果。本文涉及的人臉識別屬于有監(jiān)視的模式識別問題,故可采用梯度下降的方法確定w1和w2的最優(yōu)值,令w1=1-w2,w2取介于0.01和0.99之間的某個隨機值,依據(jù)由此得到的δdist(x,xt)計算識別率,并遵循最優(yōu)識別率的原則優(yōu)化調(diào)整w2的取值,最終獲得最正確的w1,w2。定義以下的準則函數(shù)J:

δ∑∑

J(w1,w2)=I(w2)=

i=j=N

M

dist

本文在2階PCA人臉識別方法的基礎(chǔ)上,提取基于PCA余像空間的ICA特征,并綜合原始人臉圖像的獨立元特征得到混合特征作為最終的識別特征送入分類器進行識別。2階

PCA人臉識別方法對丟棄前幾個特征臉后得到的“余特征臉

集〞進行2次主元分析,而本文則采用獨立元分析法對“余特征臉集〞進行2次分析。由于ICA綜合提取了人臉圖像的2階和高階統(tǒng)計信息,因而使得本方法能夠得到高于2階特征臉方法的識別率。

2.1PCA余像空間的獨立元特征提取

設(shè)存在經(jīng)中心化的人臉樣本集X=[x1,x2,…,xM],對

X作主元分析得到主元特征臉集,令其依對應(yīng)特征值由大到

(xi,xpij)

小排序后得到的特征臉集為V=[v1,v2,…,vM],選取前M1個較大特征值對應(yīng)的特征臉組成特征臉集VM1=[v1,v2,…,vM1](M1νM),則X在VM1上的投影RM1為:

RM1=VM1X

T

NM

(7)

其中xpij表示與xi相匹配的點(屬于同一個人的人臉),M是每類模板樣本的個數(shù),N是待匹配樣本的個數(shù)。

通過梯度下降法[14]依據(jù)(8)式調(diào)整w2從而最小化(7)式,其中w2n和w2n+1分別代表本輪和下一輪訓練時w2的取值。學習率參數(shù)η取0.00005(屢屢嘗試獲得的經(jīng)驗值,能保證w2較快地收斂到較優(yōu)的值)。對于直觀上光照變化較明顯的人臉圖片,w0.50,0.99]之間的一隨機數(shù),而對2取介于[0于直觀上光照變化不太明顯的人臉圖片,w0.01,2取介于[0

0.50]之間的一隨機數(shù)。

w2

n+1

(1)

依據(jù)原始人臉圖像X在VM1上的投影RM1對原始人臉圖像X進行重構(gòu):

Xrc=VM1RM1=VM1VM1X

T

(2)

依據(jù)式(2)得到的重構(gòu)人臉圖像Xrc包含了人臉圖像中大量光照敏感信息,用原始人臉圖像X減去重構(gòu)人臉圖像Xrc得到Xrsd:

Xrsd=X-Xrc=[Δx1,Δx2,…,ΔxM]

(3)

=w2-n

我們稱Xrsd為人臉圖像的PCA余像,它位于由剩余的特征臉集VN=[vM1+1,vM1+2,…,vM]所張成特征的空間,該空間則稱為PCA余像空間(PCAresidualfacespace)。

我們對余像特征臉集VN作獨立元分析,即選取VN中靠前的M2個特征向量UM2=[u1,u2,…,uM2],并作Xrsd在UM2

(

n=0,1,2,…)n

5w2

(8)

3試驗和結(jié)果分析

試驗選用了3個不同的人臉庫來驗證本文方法的有效性。人臉庫1是ORL庫,人臉庫2是YALE庫,這兩個人臉庫是目前國際上較為通用的檢驗人臉識別方法效率的公共庫,具有代

1610計算機應(yīng)用2023年

表性,較之ORL庫,YALE庫具有更豐富的光照變化因素,在試驗中更能表達本方法的優(yōu)勢;人臉庫3是NAROD試驗室的人臉庫,其光照變化較之YALE庫更為猛烈,選用該光照變化猛烈的人臉庫進行試驗對比,可以進一步說明本文方法的有效性。圖2是分別取自這3

個不同人臉庫的人臉圖像樣本。

含15個人,每人11張圖片,共165張人臉圖片,全選所有15個人,每人隨機選取5張圖片作為訓練樣本,而剩余的6張作為測試樣本;庫3(NAROD庫)含有20個人,每人含有3～10張數(shù)目不等的人臉圖片,總共124張人臉圖片,假定某個人在庫中含有2n張人臉圖片(n=(2,…,5)),則隨機選取其中

n張作為訓練樣本,剩余n張作為測試樣本;假定某個人在庫

中含有2n+1張人臉圖片(n=(1,……5)),則隨機選取其中

n張作為訓練樣本,剩余n+1張作為測試樣本,最終我們得到

NAROD庫訓練樣本集的樣本總數(shù)為58,測試樣本集的樣本

總數(shù)為66。

表1試驗使用的3個不同的人臉庫

庫編號庫1(ORL)

(Y))

人數(shù)訓練集樣本總數(shù)測試集樣本總數(shù)

40200)75)

200(405)

90(156)

66

/主元個數(shù)以達

2到最好的效果,庫1含200個訓練樣本,故最終選取200個獨立元/主元;庫2含75個訓練樣本,相應(yīng)地選取75個獨立元/主元;庫3含58個訓練樣本,應(yīng)選擇58個獨立元/主元進行特征映射。

庫1(ORL庫),10張人臉圖片,共400張人臉圖片,全取所有40個人,每人隨機選取5張圖片作為

訓練樣本,剩余的5張圖片作為測試樣本;庫2(YALE庫)共

表2試驗結(jié)果

本文方法

丟棄的使用的主元數(shù)

10913

2階PCA

PCA/ICA

庫

庫1(ORL庫)

庫2(YALE庫)庫3(NAROD庫)

w1∶w2

識別率

(%)97.0093.3181.91

丟棄的

10913

使用的

2023558

識別率

(%)95.5091.1174.24

使用基元數(shù)

2023558

識別率

(%/%)94.40/95.6487.10/92.0066.67/75.80

獨立元數(shù)

2023558

主元數(shù)獨立元數(shù)

0.83∶0.170.36∶0.640.07∶0.93

表2是試驗結(jié)果,其識別率是15次隨機試驗的平均結(jié)果。指標“丟棄的主元數(shù)〞表示從“1次PCA主元特征臉集〞中去除的代表光照變化的主元數(shù)目,對于光照變化猛烈的人

臉庫(w2相對w1較大),則“丟棄的主元數(shù)〞與“使用的獨立元數(shù)/主元數(shù)〞的比值相對較大;相反,則該比值相對較小,而

w2相對w1也較小。如表2所示,對光照變化最為猛烈的

化不太明顯的ORL庫,盡管識別率上的差距并不顯著,但是本文所采用的基于混合特征的識別方法仍使識別率保持在

97%左右,這也表達了本文提出的基于PCA余像空間的ICA

混合特征識別方法具有較強的適應(yīng)性。

在識別效率方面,由于本方法是基于PCA余像空間的

ICA混合特征識別,人臉圖像通過PCA余像空間投影和之后

NAROD庫,基于PCA余像空間的獨立元特征在混合特征中的獨立元特征抽取,其特征維數(shù)已大大降低,將得到的混合特征送入最近鄰特征線分類器進行分類識別,在算法的識別效率上與傳統(tǒng)基于單純獨立元分析的人臉識別方法相近,但卻能獲得更佳的識別效果和更好的抗外界因素干擾能力。

所占的比例最大(w2=0.93),它表示光照因素對整個人臉圖像的影響較大,而對于ORL庫,該比例僅為0.17(w2=

0.17)。

從表2可以看到,對于光照變化較大的YALE庫,2階

PCA方法由于考慮到了光照干擾的影響,較之傳統(tǒng)基于特征

4結(jié)語

本文提出了基于PCA余像空間的ICA人臉識別方法,通過對1次主元分析后得到的余像特征臉集作獨立元分析

,得到人臉圖像基于PCA余像空間的ICA特征投影,然后與原始人臉圖像的獨立元特征投影進行加權(quán)求和得到混合特征,將混合特征送入NFL分類器進行識別。該方法能有效戰(zhàn)勝人臉圖像受光照、人臉神態(tài)變化等干擾因素的影響。試驗說明,相對于傳統(tǒng)基于特征臉的1階PCA人臉識別方法以及基于2階特征臉的人臉識別方法,該方法具有較強的抗外界干擾能力和適應(yīng)性,是一種有效的人臉識別方法。

下一步的工作希望通過適當方法自動確定光照對人臉圖

(下轉(zhuǎn)第1631頁)

臉的識別方法的識別率要高出5個百分點還多,而傳統(tǒng)基于獨立元分析法的人臉識別方法在識別率上稍高于2階PCA,這說明在表現(xiàn)人臉神態(tài)、角度變化上,獨立元特征較之主元特征更具優(yōu)勢,它也從某個角度反應(yīng)了人臉的某些重要特征包含在高階統(tǒng)計信息當中。而本文方法不僅考慮到了光照影響,而且對PCA余像空間進行分析的獨立元分析法提取出有效的人臉圖像高階統(tǒng)計特征信息,這使得本文方法在識別率上高出2階PCA近2個百分點,同時稍高于基于ICA的人臉識別方法。

而對于光照變化更為猛烈的NAROD人臉庫,從表2的最終一行可以看到,本文方法的優(yōu)勢更加明顯。對于光照變

第7期陳良育等:基于圖形理解的漢字構(gòu)形自動分析系統(tǒng)1631

的位置關(guān)系,產(chǎn)生漢字部件構(gòu)形描述。通過這個結(jié)果,可以直接統(tǒng)計出漢字部件頻率;在文獻[7]的基礎(chǔ)上,可以產(chǎn)生漢字數(shù)學表達式,可進一步用于漢字加密、壓縮、

傳輸?shù)劝踩I(lǐng)域。

將所有28120張構(gòu)件圖片進行部件組成和組合,產(chǎn)生漢

字的部件描述,經(jīng)過驗證,有效率達90%以上。在漢字部件描述中,可以利用部件間的位置關(guān)系,得到漢字部件結(jié)構(gòu)位置關(guān)系,統(tǒng)計得到漢字上下型結(jié)構(gòu)1565字,有效率達99%。

根據(jù)漢字部件描述可以得到漢字部件統(tǒng)計,表2是對GB2312280字符集一些漢字部件的統(tǒng)計