CN1908960A - 一种基于特征分组的多分类器组合人脸识别方法 - Google Patents

Abstract

本发明公开了一种基于特征分组的多分类器组合人脸识别方法，包括：从原始图像中提取人脸区域，并对人脸区域做预处理；对预处理后的人脸区域做人脸特征提取；对所提取的人脸特征做特征分组，得到不同的人脸特征组；对人脸特征进行分组以后，为每个特征分组设计分量分类器；利用所得到的分量分类器做人脸识别，将各个分量分类器所得到的识别结果做组合，得到最终的人脸识别结果。本发明的优点在于：较大程度上解决了维数灾难问题，通过特征分组，无需降维，且避免了维数灾难问题的出现，从而降低了算法设计的计算复杂度；提高了人脸识别系统的识别性能。

Description

一种基于特征分组的多分类器组合人脸识别方法

技术领域

本发明涉及人脸识别技术，特别涉及特征分组以及多分量分类器组合的人脸识别技术。

背景技术

人脸识别技术的目的是赋予计算机根据人的面孔辨别人物身份的能力。人脸识别作为一个科学问题，是一个典型的图像模式分析、理解与分类计算问题，它涉及模式识别、计算机视觉、智能人机交互、图形学、认知科学等多个学科。作为生物特征识别关键技术之一的人脸识别技术在公共安全、信息安全、金融等领域具有潜在的应用前景。

在人脸识别技术中，高效的人脸描述特征及其相应的高精度核心识别算法是问题的关键。人脸识别系统的输入通常是二维(2D)的光学图像，为实现较高精度的识别，人脸图像的大小通常在50*50个像素以上，如果直接采用像素的亮度值作为人脸描述特征，则意味着特征的维数将高达2500维，这对一般的分类算法而言都是非常高的维数。而实际上，一般还要进一步通过各种变换，从图像像素的亮度值中提取人脸的其他特征，而这些变换会进一步提高特征的维数。例如多尺度、多方向的Gabor小波特征提取器，提取的特征的维数是原始图像维数的40倍，这样50*50像素的人脸图像最终提取的特征维数将高达50*50*40＝100,000维。基于如此高维的特征设计高精度的分类器是不现实的，因为特征的维数过高给后续的识别算法带来困难，这些困难包括由于算法的计算复杂度和算法本身对高维数据的适应性所带来的相关问题。为了避免上述问题，一般必须对图像进行降维，降维的方法包括主成分分析、特征选择、直接下采样、人工挑选等。但是考虑到所有维度的特征都包含了一定数量的分类判别信息，所以无论哪种降维方法，都可能导致分类信息的丢失，并最终导致识别系统性能下降。为了提高系统识别性能，应该尽可能多的利用人脸描述特征。基于此，本发明提出了一种无需降维的技术方法，通过一个特征分组过程将每个分组的特征维数控制在可以接受的范围内，并使用分组特征来分别设计多个分量分类器，最终通过这些分量分类器的组合完成最终的识别。

发明内容

本发明的目的是克服现有技术对高维特征维数需做降维处理，容易导致分类信息丢失，系统识别性能下降的缺点，提供一种基于特征分组的多分类器组合人脸识别方法，

为了实现上述目的，本发明提供一种基于特征分组的多分类器组合人脸识别方法，包括：

1)、从原始图像中提取人脸区域，并对所提取的人脸区域做预处理；

2)、对步骤1)中预处理后的人脸区域做人脸特征提取；

3)、对步骤2)所提取的人脸特征做特征分组，得到不同的人脸特征组；

4)、对人脸特征进行分组以后，为每个特征分组设计分量分类器；

5)、利用步骤4)所得到的分量分类器做人脸识别，将各个分量分类器所得到的识别结果做组合，得到最终的人脸识别结果。

上述技术方案中，所述的步骤1)中，对图像所做的预处理还包括对人脸区域做归一化处理。

上述技术方案中，所述的步骤2)中，所述的人脸特征是形状特征或纹理特征或变换特征或上述特征的组合。

上述技术方案中，所述的步骤3)中，在特征分组时，每个特征组中的特征数要控制在不会带来维数灾难的水平上。

上述技术方案中，所述的步骤4)中，所述的分量分类器是模版匹配分类器或几何分类器或贝叶斯决策分类器或神经网络分类器或支持向量机分类器或线性判别分析分类器。

上述技术方案中，所述的步骤5)中，对各个分量分类器的识别结果做组合时的组合方法采用投票法或最大规则法或最小规则法或线形组合法或模糊归属函数法或信赖函数法或Dempster-Shafer法或加规则法或乘规则法。

本发明的优点在于：

1、本发明的基于特征分组的多分类器组合人脸识别方法较大程度上解决了维数灾难问题，本发明通过特征分组无需降维，且避免了维数灾难问题的出现，从而降低了算法设计的计算复杂度。

2、本发明的基于特征分组的多分类器组合人脸识别方法提高了人脸识别系统的识别性能。

附图说明

图1为本发明的基于特征分组的多分类器组合人脸识别方法的流程图；

图2为人脸图像做归一化处理以后的结果；

图3为对人脸特征做特征分组并实现人脸识别的示意图；

图4为本发明的基于特征分组的多分类器组合人脸识别方法与下采样法和特征选择法的识别效果比较图。

图面说明：在图4中，

■代表本发明的基于特征分组的多分类器组合人脸识别方法；

■代表下采样法；

□代表特征选择法。

具体实施方式

下面结合附图和具体实施方式对本发明所述方法做详细说明。

如图1所示，本发明的基于特征分组的多分类器组合人脸识别方法包括：

步骤10、提取人脸区域，对人脸区域做预处理。带人脸的原始图像一般不能直接使用，人脸区域在原始图像中所占比例较小，原始图像会受到噪声、姿态、光照等影响。为了提高人脸识别的效果，在识别前首先要将人脸区域从原始图像中提取出来。在提取人脸区域时，根据人脸检测和特征定位算法所给出的双眼位置，将待识别的人脸从输入图像中裁剪出来，所裁剪的人脸大小和范围由具体的人脸检测和特征定位算法决定。人脸检测和特征定位算法是成熟的现有技术，在一个具体实施例中可采用名为AdaBoost的人脸检测和特征定位算法。然后对裁剪出来的人脸区域做预处理。一种典型的预处理方法是归一化处理。由于在人脸识别时，通常是将待识别的人脸与一个作为比较对象的标准人脸做比较，归一化的目的就是使做比较的人脸的大小基本相同，并对人脸区域中的光照做预处理，减轻光照可能产生的不良影响。人脸图像做归一化处理后的一个实例如图2所示，设归一化处理后的人脸图像的行数为h，列数为w。归一化的具体方法可以采用直方图均衡化方法。通过上述方法，本领域的普通技术人员根据现有技术可实现对原始图像人脸区域分割和预处理操作。

步骤20、人脸特征提取。在步骤10对人脸图像做归一化处理后，提取该图像中包含的人脸特征。所述的人脸特征既可能是图像上每个像素点的亮度值，也可能是经过某一特征提取器提取的特征，如形状特征、纹理特征、Gabor小波变换特征，或者是上述特征的组合。人脸特征提取时，具体选用何种特征可根据实际情况而定，在本实施例中，以Gabor小波的特征提取为例，说明人脸特征提取的过程。

Gabor小波的特征提取通过Gabor变换实现。Gabor变换是将Gabor小波和图像做卷积运算。Gabor小波可由公式(1)表示：

其中，a，b表示空域中像素的位置，

是径向中心频率，θ是Gabor小波的方向，σ是高斯(Gaussian)函数沿着x轴和y轴的标准差。令f(a，b)表示人脸图像的灰度分布，f(a，b)可以通过对图像做灰度化处理得到。图像f(a，b)和Gabor小波的卷积公式为：

                                                        (2)

这里*表示卷积运算。在Gabor变换过程中，径向中心频率 Gabor小波的方向θ可以有不同的值，也就可以得到不同方向和不同尺度的Gabor小波变换特征。在一个具体应用中，径向中心频率

的取值范围为{0，1，2，3，4)，方向θ的取值范围为{0，1，2，3，4，5，6，7}，由此可得到40个不同的Gabor小波变换特征。

在得到40个不同的Gabor小波变换特征后，Gabor小波变换过程提取的特征维数N是图像大小的40倍，即N＝w*h*40，如果w＝64，h＝84，则N＝215,040。这样高维的特征对于设计分类器而言是很不现实的。现有技术中，通常要进行降维处理，常用的降维方法是对Gabor小波变换后的图像做采样。降维处理的结果是造成相关信息的丢失。

步骤30、特征分组。由于前述的人脸特征提取结果的维数过高，不利于后续识别算法的实现，因此对人脸特征做特征分组。在做特征分组时，应当保证每个组的特征数不能过多，否则容易出现“维数灾难”的问题，所述的“维数灾难”是指当样本维数过高时，问题的复杂度急剧上升，变得不可解决，但是每个组的特征数也不能太少，否则每个组的分类能力都较弱，这样会导致组合后的分类能力也比较弱，不利于提高识别能力。此外，在划分特征时，要尽可能地使各个特征组之间差异比较大。特征组的个数一般在20左右。特征分组时所根据的特征种类在实际应用中有多种可能，如按照空间相似性做分组，将图像中位置相近的块分为一组；在Gabor小波特征提取中也可以根据方向相似性或尺度相似性来分组。

假设步骤20提取的N维特征集合为F＝{f₁，f₂，…，f_N}，则特征分组过程将该集合中的特征量分组，产生L个分组特征集合，满足：

$F=\underset{i=1}{\overset{L}{\∪}}{F}_i---\left(3\right)$

其中：

$F_i=\{{f_i}_1,{f_i}_2,\·\·\·,{f_i}_{k_i}\}$

上述分组过程产生的分组数量L、每个分组的特征数量K_i均是可以根据具体应用而变化的，其中K_i的值通常要根据所要使用的分量分类器的复杂度、可以得到的训练集合的规模来设定。而且，不同分组的特征也可能会有重叠，即同一个特征可能分属多个特征分组。

在特征分组时还可以将各个特征做随机分组，只要保证每个特征组中的特征数不要过多，也不要过少，使总的特征组数保持在20个左右即可。但对特征做随机分组的结果与前述的利用空间相似性做分组或利用方向相似性做分组等相比，识别效果不明显。

步骤40、设计分量分类器。所述的分量分类器是多分类器系统中的子分类器，根据步骤30，对人脸特征进行分组以后，为每个分组特征设计分量分类器，即为F_i中的所有特征设计一个分量分类器C_i，从而得到L个分量分类器。

在本发明中，分量分类器可以采用任何的分类器，如模版匹配分类器、几何分类器、贝叶斯决策分类器、神经网络分类器、支持向量机分类器、线性判别分析分类器。各个分量分类器的具体设计过程可能各不相同，下面以线性判别分析分类器为例，对分量分类器的设计过程进行说明。

假设训练集X中有L类样本，每类样本的数量为K_i，总体样本均值为μ，类内样本均值为μ_i(1≤i≤L)，则可以计算得到类间散度矩阵和类内散度矩阵，

类间散度矩阵用于衡量样本集中不同类别之间的分散程度，其计算公式如公式(4)所示：

$S_B=\underset{i=1}{\overset{L}{\mathrm{\Σ}}}{K}_i({\mathrm{\μ}}_i-\mathrm{\μ}){({\mathrm{\μ}}_i-\mathrm{\μ})}^T---\left(4\right)$

类内散度矩阵用于衡量样本集中各个类内的样本之间的分散程度，其计算公式如公式(5)所示，其中x_k代表第k个人样本的值：

$S_W=\underset{i=1}{\overset{L}{\mathrm{\Σ}}}\underset{x_k\∈X_i}{\mathrm{\Σ}}(x_k-{\mathrm{\μ}}_i){(x_k-{\mathrm{\μ}}_i)}^T---\left(5\right)$

在线性判别分析方法中，对于一张人脸图像X，利用下面的变换将X从n维空间投影到m维的子空间中，在这个m维空间中，类间散度最大，类内散度最小。该投影过程如公式(6)所示，其中W表示投影矩阵，W^T表示投影矩阵W的转置矩阵，x表示人脸图像X中的像素，y是投影后的人脸图像中的像素。

$y_{m\×1}=W_{m\×n}^T{x}_{n\×1}---\left(6\right)$

假设类内散度矩阵S_W是非奇异的，那么最优的投影矩阵如公式(7)所示：

其中，

是对应S_W和S_B的m个最大的特征值{λ_i|i＝1，2，......，m}的特征向量，相应的计算公式如公式(8)：

由于R(S_B)≤L-1，所以m≤L-1

通过计算y与已经存储在计算机中的人脸库中人脸的距离，可以决定X属于哪一个人。由于W是最有利于分类的映射，因此在这个低维的子空间中解决分类问题效果是最好的。以y为输入构造最近邻分类器，就是最后所要求得的分量分类器。

步骤50、多分量分类器组合。在识别一幅人脸图像时，通过步骤40得到的L个分量分类器都会有自己的分类识别结果，本步骤的多分量分类器组合所要完成的任务是要把所有分量分类的结果组合起来得到一个最终的更为准确的识别结果。实现组合的方法有多种，如投票法、最大规则法、最小规则法、线形组合法、模糊归属函数法、信赖函数法、戴姆思特-沙佛方法(Dempster-Shafer)、加规则法、乘规则法。以加规则法中的加权平均相似度组合方法为例，介绍具体实现过程。

对于任意两个人脸图像样本，L个分类器可以得到L个相似度。把这些相似度加权相加，就得到这两个样本最终的相似度。加权的权值由每一个分量分类器在训练集上的正确率来决定，正确率越高，权值就越高；反之就越低。最后采用最近邻分类器来对样本进行分类。上述过程可通过公式(9)来表示。

$S(X,Y)=\underset{i=1}{\overset{L}{\mathrm{\Σ}}}{t}_i{S}_i(X,Y)---\left(9\right)$

其中，X，Y代表两个人脸样本(人脸图像)，S表示X和Y的相似度，t_i表示第i个分量分类器的权值，S_i表示第i个分量分类器给出的X和Y的相似度。

如图3所示，C₁...C_L是由对特征进行分组(L个组)得到的L个分量分类器，其识别过程为：给定两幅预处理后的人脸图像，分别对其提取特征，图中的两行分别表示两个人脸的特征，然后对特征进行分组，不同组用不同花纹表示。两个人对应的每组特征经过分量分类器都处理后都会得到一个相似度。例如，两个人的第i组特征作为C_i的输入，得到了相似度S_i。最后，把所有的相似度相加，就得到了这两个人的最终的相似度S，S衡量了两个人的相似程度。

下面以一个64×80大小的人脸图像为例，对本发明方法进行说明。对人脸图像做归一化处理，减弱噪声、光照等的影响。然后将归一化后的图像划分为4×5个子块，每个子块的大小为16×16。接着，对每个图像子块提取Gabor小波特征，提取Gabor小波特征的操作过程如步骤20所述，径向中心频率取5个不同的值，方向取8个不同的值，因此，每个图像子块可以得到40个Gabor小波特征，即每个图像块的特征数为16×16×40＝10240。最后，用每一个图像子块的Gabor特征训练一个fisher线性判别分类器，再根据相似度相加的规则组合成最终的分类器。在本实施例中，对图像分块提取Gabor特征，得到多组特征，这等价于对图像提取全部的Gabor特征，再根据特征在图像上的位置进行分组。附图3是本发明的方法和直接下采样方法和特征选择方法(AdaBoost)在FERET人脸数据库的四个测试集上的性能比较。本发明方法在人脸识别的性能上有很大的提高，如图4所示，为本发明方法与现有的下采样法和特征选择法做比较的效果图。此处所述的下采样法和特征选择法是与本发明中的特征分组步骤相对应的方法，下采样法和特征选择法通过降维解决维数过高的问题，而本发明利用特征分组解决该问题。在效果图中可以明显地看出上述方法在效果上的差异。图中有四个测试集合，其中fb中的图像基本没有什么变化，fc中的图像包含了光照变化，Duplicate I(dup1)和Duplicate II(dup2)中的图像包含了采集时间变化。从图中可见，本发明方法在各个测试集上较下采样法和特征选择法都有所提高，以时间变化测试集dup2为例，采用本发明的方法，识别率高于0.8，而采用下采样法和特征选择法，它们的识别率都不到0.5。说明了在总的特征数相同的情况下，利用特征分组训练多分类器的方法在计算复杂度和识别性能上都优于用全部特征训练一个分类器的方法。

Claims (6)

1、一种基于特征分组的多分类器组合人脸识别方法，包括：

1)、从原始图像中提取人脸区域，并对所提取的人脸区域做预处理；

2)、对步骤1)中预处理后的人脸区域做人脸特征提取；

3)、对步骤2)所提取的人脸特征做特征分组，得到不同的人脸特征组；

4)、对人脸特征进行分组以后，为每个特征分组设计分量分类器；

5)、利用步骤4)所得到的分量分类器做人脸识别，将各个分量分类器所得到的识别结果做组合，得到最终的人脸识别结果。

2、根据权利要求1所述的基于特征分组的多分类器组合人脸识别方法，其特征在于，所述的步骤1)中，对图像所做的预处理还包括对人脸区域做归一化处理。

3、根据权利要求1所述的基于特征分组的多分类器组合人脸识别方法，其特征在于，所述的步骤2)中，所述的人脸特征是形状特征或纹理特征或变换特征或上述特征的组合。

4、根据权利要求1所述的基于特征分组的多分类器组合人脸识别方法，其特征在于，所述的步骤3)中，在特征分组时，每个特征组中的特征数要控制在不会带来维数灾难的水平上。

5、根据权利要求1所述的基于特征分组的多分类器组合人脸识别方法，其特征在于，所述的步骤4)中，所述的分量分类器是模版匹配分类器或几何分类器或贝叶斯决策分类器或神经网络分类器或支持向量机分类器或线性判别分析分类器。

6、根据权利要求1所述的基于特征分组的多分类器组合人脸识别方法，其特征在于，所述的步骤5)中，对各个分量分类器的识别结果做组合时的组合方法采用投票法或最大规则法或最小规则法或线形组合法或模糊归属函数法或信赖函数法或戴姆思特-沙佛方法或加规则法或乘规则法。

Images