CN101388075A - 基于独立特征融合的人脸识别方法 - Google Patents

Abstract

本发明公开了一种基于ICA进行全局特征和局部特征相融合的人脸识别方法。由于DCT能有效的将高维的人脸图像转换到低维空间并保留图像可识别的大部分信息，适合于图像全局特征的提取，而Gabor小波变换适合于图像的局部特征及分类特征提取，这两种特征被广泛应用于人脸识别。基于这两种方法，我们引入ICA技术以提取图像的独立Gabor特征和独立DCT特征，然后将两者进行有效融合以获取新的独立特征，使其同时具有Gabor特征的局部信息和DCT特征的全局信息，并有效的降低特征向量的维数，去除冗余特征。最后，融合后的独立特征被用于SVM实现人脸分类识别。

Description

基于独立特征融合的人脸识别方法

技术领域

本发明属于模式识别领域，具体涉及一种人脸识别方法，是生物特征识别领域关于人脸特征提取与识别的一种方法。

背景技术

生物特征识别(Biometric Identification Technology)是一项利用人类特有的生物特征来进行身份识别的技术，它提供了一种高可靠性、高稳定性的身份鉴别途径。在所有的生物特征识别方法中，人脸识别是目前最受人们关注的一个分支，它是计算机视觉与模式识别领域非常活跃的一个研究方向，被广泛应用于国家安全、公安、司法、政府、金融、商业、安检、保安等身份鉴别系统。

人脸识别技术就是通过计算机提取人脸的特征，并根据这些特征进行身份验证的一种技术。人脸与人体的其他生物特征(如指纹、虹膜等)一样是与生俱来的，它们所具有的唯一性和不易复制的良好特性为身份鉴别提供了必要的前提。与其他生物识别技术，如指纹识别、掌形识别、眼虹膜识别和声音识别相比较，由于人脸识别技术不需要人的配合动作，更易于使用，特别适合要求隐蔽实行的场合。同时，人脸作为一种高普遍性、可以非接触式采集的重要生物特征，能更直观，更方便的核查一个人的身份。人脸识别被重视的另一个重要原因是其在经济、安全、社会保障、犯罪、军事等领域具有巨大的潜在的应用价值，尤其在需要对用户身份进行验证或识别的场合。人脸识别技术因其无需用户过多参与、非接触式的数据采集方式、对用户无任何损害、便于隐藏等优点而普遍为人们所看好，被称为21世纪最有前途的身份验证方法。同时，人脸图像的识别是一个跨越图像处理、模式识别、计算机视觉、神经网络等领域的多学科综合性研究课题，对于开拓新兴技术领域，促进交叉学科的发展具有重要的科学意义。然而，虽然人类可以毫不困难地由人脸辨别一个人，但利用计算机进行完全自动的人脸识别还存在着许多困难。主要表现在：人脸是非刚体，存在表情变化；人脸随年龄增长发生变化；发型、眼镜等装饰对人脸造成遮挡；人脸图像受光照、成像角度、成像距离等的影响，所以很难从有限张人脸图像中提取出反映人脸内在的、本质的特征。此外人脸识别技术研究还涉及到模式识别、图像处理、计算机视觉、生理学、心理学及认知学等学科的发展，这诸多因素使得人脸识别研究成为一项极富挑战性的课题，同时一个成功的、具有商用价值的快速的人脸识别系统将会给社会带来极大的影响。

发明内容

本发明的目的在于：在考虑了人脸图像全局信息的同时也充分利用了局部信息对于光照、姿态等的鲁棒性，提出了一种基于独立成份分析进行全局特征和局部特征融合的人脸识别方法。

本发明的技术方案是：提出了一种基于ICA进行全局特征和局部特征相融合的人脸识别方法，该方法采用DCT提取人脸图像的全局特征，同时采用Gabor小波提取人脸的局部特征，然后采用ICA方法分别提取这两种特征的独立特征作为分类特征并进行有效融合，最后，采用SVM对该独立特征进行了分类识别。其具体实现步骤如下：

步骤1、图像预处理；

对人脸图像I(大小为w×h)进行一定的预处理，主要包括图像平滑以及图像灰度和方差的归一化处理。

步骤2、提取图像的DCT特征；

对大多数图像来说，DCT有着很好的信息压缩性，这里大多数能量都集中在少数几个系数中，该变换是对随机信号的K-L变换的一种近似方法，是一阶马尔可夫过程，它能提供一系列真实图像的逼近模型。同时，由于DCT的容易实现及计算上的优势使得它在人脸识别方面比K-L变换更具优越性，也是一种有效的全局特征提取方法。

给定一个长度为N的序列u(n)，其离散余弦变换定义为：

$\begin{array}{cc}v\left(k\right)=\mathrm{\α}\left(k\right)\underset{n=0}{\overset{N-1}{\mathrm{\Σ}}}u\left(n\right)\cos \left(\frac{(2n+1)\mathrm{\πk}}{2N}\right)& 0\≤k\≤N-1\end{array}---\left(1\right)$

其中 $\mathrm{\α}\left(0\right)=\sqrt{\frac{1}{N}},$ $\mathrm{\α}\left(k\right)=\sqrt{\frac{2}{N}}$ 1≤k≤N-1，从定义中可以看出，对一个输入序列进行离散余弦变换，就是将序列分解成一组基本余弦序列基的线性叠加。图像是一个二维信号，对于一幅M×N的图像A_x，y，其离散余弦变换为：

$C(u,v)=\mathrm{\α}\left(u\right)\mathrm{\α}\left(v\right)\underset{x=0}{\overset{M-1}{\mathrm{\Σ}}}\underset{y=0}{\overset{N-1}{\mathrm{\Σ}}}{A}_{x,y}\cos \left[\frac{(2x+1)\mathrm{u\π}}{2M}\right]\cos \left[\frac{(2y+1)\mathrm{v\π}}{2N}\right]---\left(2\right)$

其中： $\mathrm{\α}\left(u\right)=\left\{\begin{array}{cc}\sqrt{1/N}& u=0\\ \sqrt{2/N}& u=\mathrm{1,2},...,N-1\end{array}\right.$

图像的二维DCT系数构成一个与原图像大小相同的矩阵，其低频系数集中在矩阵的左上角，是图像中变化较慢的成分，高频系数集中在矩阵的右下角，是图像的细节和边缘成分。经过DCT变换之后，图像的主要信息集中在低频部分，因此，我们通过提取DCT系数的左上角矩阵，取其低频分量并将之转化成一维的向量作为识别的特征向量。

步骤3、提取图像的Gabor特征；

研究表明，Gabor小波变换由于能够捕捉对应于空间位置、空间频率及方向选择性的局部结构信息，特别适合于图像的局部特征及分类特征提取。因此，我们采用Gabor特征来表征图像的局部特征并将该特征用于人脸识别。

假设

是一个m×n的人脸图像，二维Gabor小波变换描述了图像

上给定一点

附近区域的灰度特征，这可以用一个卷积来定义：

$J_J\left(\stackrel{\→}{x}\right)=\∫I(\stackrel{\→}{x}\′){\mathrm{\ψ}}_J(\stackrel{\→}{x}-\stackrel{\→}{x}\′)d^2\stackrel{\→}{x}\′---\left(3\right)$

由于正面人脸、近似正面人脸(姿态变化较小)以及表情变化的人脸轮廓均近似为椭圆，双眼和嘴角都基本上在水平方向上，而鼻子位于竖直方向上，本文的滤波器组为采用5个中心频率和8个方向组成的40个Gabor滤波器k_j，其参数k_v和的取值如下：

之后，我们将40个Gabor滤波器进行卷积计算得到的Gabor小波变换系数转换成一维特征向量，该向量的特征维数为40×m×n。

步骤4、将训练集图像的DCT特征向量进行去均值和白化处理，然后存储成V_dct；

将训练集图像的DCT特征向量x进行去均值处理以及白化处理，使得白化后的变量协方差矩阵为单位矩阵，利用协方差进行特征值分解，即E(xx^T)＝PEP^T，其中E是正交矩阵E(xx^T)的特征值，P是对应的特征向量，得到的白化矩阵为：

M＝PE^-1/2P^T                          (5)

得到白化后的数据：

x＝Mx                            (6)

最后将所有白化后的训练图像DCT特征向量x以矩阵V∈R^n×N表示，式中n为人脸DCT特征维数，N为训练图像数。

步骤5、同步骤4，将训练集图像的Gabor特征进行去均值和白化处理，并存储成V_gabor；

步骤6、采用FastICA提取训练集图像DCT特征的特征子空间以及独立特征；

根据Bartlett的假设，每一幅人脸图像是由一些统计独立的基图像线性混合而成的，即假设实际的人脸图像X可看成是由一些隐含的相互独立的基图像S通过混合矩阵A线性混合而成的，通过分离矩阵W就能将S恢复出来。为简单起见，考虑混合矩阵A是方阵的情况，则可假设这N幅人脸图像是由N个独立的基图像S＝[s₁，s₂，...，s_N]^T，S∈R^N×n线性混合而成，即：

X＝AS                                   (7)

其中X的每一行代表一幅人脸图像，S的每一行代表一幅基图像，A∈R^N×N为混合矩阵。用FastICA法求出分离矩阵W，使得输出：

Y＝WX＝WAS                              (8)

其中Y＝[y₁，y₂，...，y_N]^T，Y∈R^N×n的行向量相互独立，则Y就是独立基图像的估计，Y的每一行代表一幅估计的基图像。当得到Y之后，就可以以Y的行向量为特征向量构造特征子空间，将训练及测试的人脸图像投影到这个子空间上。

步骤7、同步骤6，采用FastICA提取训练集图像Gabor特征的特征子空间以及独立特征；

步骤8、将训练集中同一幅图像的独立DCT特征及独立Gabor特征串接成一维向量ε_i，然后用公式ε_i＝ε_i/∑abs(ε_i)将其归一化，获取所有训练图像的独立特征ε；

步骤9、将训练图像的独立特征ε作为支持向量机的训练向量，训练支持向量机模型；

步骤10、同训练图像步骤，提取待识别图像的DCT特征以及Gabor特征，并将其向各自的特征子空间进行映射以提取相应的独立DCT特征和独立Gabor特征并进行串接及归一化，获取待识别图像的独立特征μ；

步骤11、将待识别图像的独立特征μ作为识别向量，以支持向量机模型进行人脸图像的分类识别。

本发明与现有技术相比具有以下优点：

由于DCT能有效的将高维的人脸图像转换到低维空间并保留图像可识别的大部分信息，比如头发和脸的轮廓线，眼睛、鼻子和嘴巴的位置等对于识别特别有效的重要信息，而Gabor小波变换能够捕捉对应于空间位置、空间频率及方向选择性的局部结构信息，特别适合于图像的局部特征及分类特征提取。基于ICA进行全局特征和局部特征相融合的人脸识别方法，其特征在于考虑了人脸图像全局信息的同时也充分利用了局部信息对于光照、姿态等的鲁棒性，同时，ICA能有效的降低特征向量的维数，去除冗余特征，获得对于后继的分类识别更为有用的特征。采用ICA技术以提取图像的独立Gabor特征和独立DCT特征，并将两者融合以获取新的独立特征，使得该特征同时具有Gabor特征的局部信息和DCT特征的全局信息，有效的提高了识别的准确率。

附图说明

图1本发明的系统流程图

图2本发明在ORL人脸数据库上的识别结果图

具体实施方式

参考图1，它是本发明实现步骤的流程图，结合该图对本发明的实施过程作详细的说明。本发明的实施例是在以本发明技术方案为前提下进行实施的，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述实施例。

实施例采用了一个公用的人脸数据库，英国剑桥大学的ORL人脸数据库。ORL库包含40个人的400幅112×92大小的人脸图像，每人10幅。这些图像是在不同时间拍摄的，有姿态、角度、尺度、表情和眼镜等变化。具体的人脸识别过程如下：

1、图像预处理

对112×92大小的人脸图像进行预处理，主要包括图像平滑和对比度校正等图像增强以及图像灰度及方差的归一化处理。经过预处理之后，所有图像的灰度统一到标准水平，且灰度层次比较分明，同时，为了节省运算的时间及存储量，我们采用双线性插值法将图像压缩至24×24大小，然后将人脸数据库图像分为训练图像和测试图像。同时，为了扩大人脸数据的样本数量，以获得更为合理的特征子空间，我们将人脸库中所有图像进行了左右的镜像，扩大了训练及测试样本的数量。

2、训练过程

(1)将训练图像进行DCT变换；经过DCT变换之后，图像的二维DCT系数构成一个与原图像大小相同的矩阵，其低频系数集中在矩阵的左上角，而图像的主要信息都集中在低频部分。因此，我们以按Zig-Zag顺序提取DCT系数左上角12×12大小的矩阵的低频系数作为图像的DCT特征。

(2)将训练图像进行Gabor变换；假设

是一个m×n的人脸图像，二维Gabor小波变换描述了图像上给定一点

附近区域的灰度特征，这可以用一个卷积来定义：

$J_J\left(\stackrel{\→}{x}\right)=\∫I(\stackrel{\→}{x}\′){\mathrm{\ψ}}_J(\stackrel{\→}{x}-\stackrel{\→}{x}\′)d^2\stackrel{\→}{x}\′---\left(3.12\right)$

由于正面人脸、近似正面人脸(姿态变化较小)以及表情变化的人脸轮廓均近似为椭圆，双眼和嘴角都基本上在水平方向上，而鼻子位于竖直方向上，本方法的滤波器组为采用5个中心频率和8个方向组成的40个Gabor滤波器k_j，其参数k_v和

的取值如下：

之后，我们将40个Gabor滤波器进行卷积计算得到的Gabor小波变换系数转换成一维Gabor特征向量，该向量的特征维数为40×24×24。

(3)将训练图像的DCT特征向量进行去均值和白化处理，并存储成V_dct，采用FastICA提取训练集图像DCT特征的特征子空间W_dct及其独立特征H_dct；

(4)同样，将训练图像的Gabor特征向量进行去均值和白化处理，并存储成V_gabor，采用FastICA提取训练集图像Gabor特征的特征子空间W_gabor及其独立特征H_gabor；

(5)将训练集中同一幅图像的独立DCT特征及独立Gabor特征串接成一维向量ε_i，然后用公式ε_i＝ε_i/∑abs(ε_i)将其归一化，获取所有训练图像的独立特征ε；

(6)将训练图像的独立特征ε作为支持向量机的训练向量，训练支持向量机模型。在本例中，支持向量机的核函数采用的是径向基函数K(x，y)＝exp(-γ‖x-y‖²)。

3、识别过程

(1)分别提取测试人脸图像的DCT特征和Gabor特征；

(2)将测试人脸图像的DCT特征向特征子空间W_dct进行映射，提取其独立DCT特征；

(3)将测试人脸图像的Gabor特征向特征子空间W_gabor进行映射，提取其独立Gabor特征；

(4)将测试图像的独立DCT特征及独立Gabor特征串接成一维向量μ，然后用公式μ_i＝μ_i/∑abs(μ_i)将其归一化，获取所有训练图像的独立特征μ；

(5)将归一化后的独立特征μ作为识别向量，以前述训练图像训练得到的支持向量机模型进行人脸图像的分类测试，并输出测试结果。

为了更好的说明算法的有效性，我们采用随机抽取数据库中一半图像用于训练，另一半用于识别的做法，即每人的5个样本及其镜像(共10个训练样本)进行训练，相应剩余的样本及其镜像(10个测试样本)进行测试，并将此实验重复50次，取这50次识别率的平均值作为最终的实验结果。在如上所述的相同数据样本的基础上，我们采用ICA分别提取图像的DCT特征和Gabor特征的独立特征，其中提取的ICA特征维数d分别为9；16；25；36；49；64；81；100；121，并分别进行了单独的和融合的实验，实验结果如图2所示。

图2为本发明在ORL人脸数据库上的实验结果，横轴表示在人脸样本上相应的人脸特征维数，纵轴表示相应的人脸识别正确率。从图2可以看出，在基于ORL的人脸识别实验中，基于独立特征融合方法得到的正确识别率为97.99％，而相应的采用独立DCT特征的方法获得的识别率是96.53％、采用独立Gabor特征的方法获得的识别率是97.63％。在完全相同的实验条件下，两种独立特征融合后所获得的识别率高于单独采用一种独立特征所获得的识别率，有效的提高了人脸识别的准确率。

Claims (1)

1、基于ICA进行全局特征和局部特征相融合的人脸识别方法，，其特征在于，包括将人脸图像预处理、人脸图像特征提取、特征融合以及基于SVM的人脸分类识别，其识别步骤为：

(1)图像平滑以及图像灰度和方差的归一化处理；

(2)从所有训练集图像中提取DCT特征；

(3)从训练集图像中提取Gabor特征；

(4)将训练集图像的DCT特征按行堆叠成向量，并进行去均值和白化处理，然后存储成V_dct；

(5)采用FastICA提取训练集图像DCT特征的特征子空间以及独立特征；

(6)同样，将训练集图像的Gabor特征进行去均值和白化处理，然后存储成V_gabor，然后采用FastICA提取其特征子空间以及独立特征；

(7)将同一幅图像的独立DCT特征及独立Gabor特征串接成一维向量ε_i，然后用公式ε_i＝ε_i/∑abs(ε_i)将其归一化；

(8)同(7)，获取所有训练图像的独立特征ε；

(9)将训练图像的独立特征ε用于训练支持向量机模型；

(10)同训练图像步骤，提取待识别图像的DCT特征以及Gabor特征，并将其向各自的特征子空间进行映射以提取相应的独立DCT特征和独立Gabor特征并进行串接及归一化，获取待识别图像的独立特征μ；

(11)、将待识别图像的独立特征μ用于已获得的支持向量机模型进行分类识别，实现人脸识别。

Images