CN102103691A - 一种基于主成分分析人脸的识别方法 - Google Patents

Abstract

一种基于主成分分析人脸的识别方法，涉及模式识别和机器视觉的技术领域。本发明首先对采集的人脸图像训练集进行预处理，使得图像的灰度均衡化；采用主成分分析方法对预处理后的图像进行特征提取，得到初始特征空间；对得到的初始特征空间采用遗传算法优化，降低特征空间的维数，得到优化特征空间；得到的优化特征空间构成弱分类器，用AdaBoost算法对弱分类器训练得到强分类器，得到分类结果。本发明将遗传算法应用到人脸识别的特征提取中，得到特征向量的最优子集，构造新的特征空间；将AdaBoost方法应用到分类器上，对简单分类器经过AdaBoost学习过程使之生产强分类器，提高对人脸识别的识别速率和识别准确率。

Description

一种基于主成分分析人脸的识别方法

技术领域

本发明涉及模式识别和机器视觉的技术领域，尤其涉及人脸识别的技术领域。

背景技术

人脸识别技术是模式识别和机器视觉领域最富挑战性的研究课题之一，也是近年来研究的一个热点问题。80年代开始，特别是90年代以来，随着计算机技术以及图像处理和模式识别技术的发展，人脸识别技术得到巨大发展，并进入了商用领域，代表性的商用人脸识别软件有FaceIt，Viisage system，TrueFace等。目前的人脸识别大致可分为基于几何特征的人脸识别、基于子空间分析的人脸识别、基于小波特征的人脸识别、基于隐马尔可夫模型的人脸识别以及基于神经网络的人脸识别等。主成分分析法是基于子空间分析的人脸识别中一种经典的算法，它根据图像的统计特征进行正交变换，以消除原有向量各个分量之间的相关性，变换得到对应特征值依次递减的特征向量，即特征脸。主成分分析法，也就是特征脸方法原理简单，易于实现，是线性模型参数估计性能的一种常用方法，现在它已经成为众多人脸识别基准算法之一。

主成分分析法(即特征脸方法)是M.Turk和A.Pentland在其论文《Eigenfaces forRecognition》中提出的，该方法的基本思想是：将图像向量经过K-L变换后由高维向量转换为低维向量，并形成低维线性向量空间，即特征子空间，然后将人脸投影到该低维空间，用所得到的投影系数作为识别的特征向量。识别人脸时，只需将待识别样本的投影系数与数据库中目标样本集的投影系数进行比对，以确定与哪一类最近。但是主成分分析法将图像中所有的像素都被赋予了同等的地位，角度、光照、尺寸及表情等对PCA方法识别率都会产生影响，特别是光照条件的影响。单一的PCA方法识别效率不高，在速率和识别率方面都满足不了特殊场合的需求。

发明内容

本发明目的是对于传统的考勤、门禁及其他安全度较高的视频监控环境下的身份识别对人脸识别的识别速率和准确率有较高的要求，将遗传算法应用到人脸识别的特征提取中，得到特征向量的最优子集，构造新的特征空间；将AdaBoost方法应用到分类器上，对简单分类器经过AdaBoost学习过程使之生产强分类器，从而提高对人脸识别的识别速率和识别准确率。

一种基于主成分分析人脸的识别方法，包括如下步骤：

第一步：首先对采集的人脸图像训练集进行预处理，使得图像的灰度均衡化；

第二步：采用主成分分析方法对第一步预处理后的图像进行特征提取，得到初始特征空间；

第三步：对第二步得到的初始特征空间采用遗传算法优化，降低特征空间的维数，得到优化特征空间；

第四步：第三步得到的优化特征空间构成弱分类器，用AdaBoost算法对弱分类器训练得到强分类器，得到分类结果。

本发明采用二级小波分解的方法对图像进行预处理，取其低频子带图像。

遗传算法主要特点是直接对结构对象进行操作，不存在求导和函数连续性的限定；具有内在的隐并行性和更好的全局寻优能力；采用概率化的寻优方法，能自动获取和指导优化的搜索空间，自适应地调整搜索方向，不需要确定的规则。在遗传算法中，通过编码组成初始群体后，遗传操作的任务就是对群体的个体按照它们对环境适应度(适应度评估)施加一定的操作，从而实现优胜劣汰的进化过程。从优化搜索的角度而言，遗传操作可使问题的解一代又一代的优化，并逼近最优解。本发明经过遗传优化操作后得到的最优特征空间为新的特征空间，与原空间相比，特征向量的个数得到了缩减，这样人脸图像映射到这个新的特征空间内，就可以使用较少的数据表征出它的特征，这使识别运算过程中的分类速度有了很大的提高。基于AdaBoost算法简单高效的特点，本方案将AdaBoost算法应用于基于主成分分析方法分类器的加强，形成一个强的分类器，提高人脸识别的准确率。

附图说明

图1是本发明分析方法的流程图。

图2是本发明遗传算法的流程图。

图3是本发明AdaBoost算法的流程图。

具体实施方式

如图1所示，一种基于主成分分析人脸的识别方法，包括如下步骤：

第一步：首先对采集的人脸图像训练集进行预处理，使得图像的灰度均衡化；

第二步：采用主成分分析方法对第一步预处理后的图像进行特征提取，得到初始特征空间；

第三步：对第二步得到的初始特征空间采用遗传算法优化，降低特征空间的维数，得到优化特征空间；

第四步：第三步得到的优化特征空间构成弱分类器，用AdaBoost算法对弱分类器训练得到强分类器，得到分类结果。

本发明采用二级小波分解的方法对图像进行预处理，取其低频子带图像。

如图2所示，本发明的遗传算法优化包括如下步骤：

1)、编码：针对于初始特征空间的个体采用自然二进制的编码方案，染色体的基因位直接对应着初始特征空间上相应位置的列向量，染色体的长度对应初始特征空间列向量的个数；

2)、初始化群体：群体大小N取20，随机生成N个个体作为初始群体P(0)；

3)、评价群体：计算群体P(t)中各个个体的适应度，遗传算法采用最小化目标函数，适应度函数：

(δ_i＝0，1)，δ_i表示图像是否正确识别，其中0表示第i幅图像没有被正确识别，1表示第i幅图像被正确识别，M为训练样本的总数；

4)、判断是否满足终止条件：符合下列两个条件时终止，第一：进化代数是否为设定值，第二：适应度函数值小于1E-6；先判断是否为设定进化代数，若判断为是则执行步骤6)；若判断为否，再判断适应度函数值是否小于1E-6；若判断为是则执行步骤6)；若判断为否则执行步骤5)；

5)、遗传操作：群体P(t)经过选择遗传算子、交叉遗传算子、变异遗传算子运算之后得到下一代群体P(t1)，然后执行步骤3)；

6)、解码得到优化特征空间。

如图3所示，本发明对弱分类器训练利用AdaBoost算法得到强分类器，包括如下步骤：

(1)、给定n个训练集：(x_i，y_i)，…(x_n，y_n)，其中x_i为样本，y_i为分类结果，y_i∈Y＝{1，2...k}，将n个样本分成D类；

(2)、初始化训练样本的权重向量，

其中i＝1，2…n，y∈Y-{y_i}；

(3)、做T轮循环(t＝1，…，T)，执行以下步骤：

a.标准化权值，令

权值标签函数

当y≠y_i时，归一化权值 $D_t\left(i\right)=\frac{w_i^t}{{\mathrm{\Σ}}_{i=1}^N{w}_i^t};$

b.对简单分类器作用q_t和D_t：到一个弱分类器h_t：X×Y→[0，1]；

c.对分类器得到误差估计：

${\mathrm{\ϵ}}_t\text{=}\frac{1}{2}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{D}_t\left(i\right)(1-h_t(x_i,y_i)+\underset{y=y_i}{\mathrm{\Σ}}{q}_t(i,y)h_t(x_i+y));$

d.选择具有最小误差估计值ε_t分类器h_t；

e.更新权值：若x_i分类正确则e_i＝0，否则e_i＝1，

(4)、最后得到强分类器：

在本发明中，由于人脸图像在拍摄的过程中容易受到光照的影响，出现灰度不均等问题，为了去除图像的这些干扰，先对图像进行灰度均衡化处理。原始图像矩阵的维数一般都很高，这样直接进行运算计算量很大，并且人脸图像的姿态变化和噪声主要分布在图像的高频部分。本方案采用二级小波分解的方法对图像进行预处理，取其低频子带图像，这样预处理后的图像去除了高频噪声分量，并且达到了降维目的，加快了运算速度。编写PCA程序，采用SVD方法求特征值和特征向量，得到初始的特征空间。对初始特征空间采用遗传算法优化，降低特征空间的维数。用AdaBoost算法对弱分类器训练得到强分类器。对测试集采用上述流程并利用最后得到的强分类器处理得到分类结果。

Claims (4)

1.一种基于主成分分析人脸的识别方法，其特征在于包括如下步骤：

第一步：首先对采集的人脸图像训练集进行预处理，使得图像的灰度均衡化；

第二步：采用主成分分析方法对第一步预处理后的图像进行特征提取，得到初始特征空间；

第三步：对第二步得到的初始特征空间采用遗传算法优化，降低特征空间的维数，得到优化特征空间；

第四步：第三步得到的优化特征空间构成弱分类器，用AdaBoost算法对弱分类器训练得到强分类器，得到分类结果。

2.根据权利要求1所述的基于主成分分析人脸的识别方法，其特征在于上述第一步中采用二级小波分解的方法对图像进行预处理，取其低频子带图像。

3.根据权利要求1所述的基于主成分分析人脸的识别方法，其特征在于上述第二步的遗传算法优化包括如下步骤：

1)、编码：针对于初始特征空间的个体采用自然二进制的编码方案，染色体的基因位直接对应着初始特征空间上相应位置的列向量，染色体的长度对应初始特征空间列向量的个数；

2)、初始化群体：群体大小N取20，随机生成N个个体作为初始群体P(0)；

3)、评价群体：计算群体P(t)中各个个体的适应度，遗传算法采用最小化目标函数，适应度函数：

(δ_i＝0，1)，δ_i表示图像是否正确识别，其中0表示第i幅图像没有被正确识别，1表示第i幅图像被正确识别，M为训练样本的总数；

4)、判断是否满足终止条件：符合下列两个条件时终止，第一：进化代数是否为设定值，第二：适应度函数值小于1E-6；先判断是否为设定进化代数，若判断为是则执行步骤6)；若判断为否，再判断适应度函数值是否小于1E-6；若判断为是则执行步骤6)；若判断为否则执行步骤5)；

5)、遗传操作：群体P(t)经过选择遗传算子、交叉遗传算子、变异遗传算子运算之后得到下一代群体P(t1)，然后执行步骤3)；

6)、解码得到优化特征空间。

4.根据权利要求1所述的基于主成分分析人脸的识别方法，其特征在于上述第四步的对弱分类器训练利用AdaBoost算法得到强分类器，包括如下步骤：

(1)、给定n个训练集：(x_i，y_i)，…(x_n，y_n)，其中x_i为样本，y_i为分类结果，y_i∈Y＝{1，2...k}，将n个样本分成D类；

(2)、初始化训练样本的权值向量，

其中i＝1，2…n，y∈Y-{y_i}；

(3)、做T轮循环(t＝1，…，T)，执行以下步骤：

a.标准化权值，令

权值标签函数

当y≠y_i时，归一化权值 $D_t\left(i\right)=\frac{w_i^t}{{\mathrm{\Σ}}_{i=1}^N{w}_i^t};$

b.对简单分类器作用q_t和D_t：到一个弱分类器h_i：X×Y→[0，1]；

c.对分类器得到误差估计：

${\mathrm{\ϵ}}_t\text{=}\frac{1}{2}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{D}_t\left(i\right)(1-h_t(x_i,y_i)+\underset{y=y_i}{\mathrm{\Σ}}{q}_t(i,y)h_t(x_i+y));$

d.选择具有最小误差估计值ε_t分类器h_t；

e.更新权值：若x_i分类正确则e_i＝0，否则e_i＝1，

(4)、最后得到强分类器：

Images