翁冠碧 張志堅 溫峻峰 李鑫
圖像中的人臉多姿態變化,導致人臉特征發生變化,影響人臉識別的準確性,是人臉識別技術現實應用過程中所面臨的主要問題之一。本文提出了一種基于HOG和WCCN方法組合的多姿態人臉識別算法,采用HOG方法可提取更加豐富的人臉特征信息,有助于提高人臉識別的準確性,使用WCCN方法進行SVM分類器,可以降低人臉姿態變化對人來識別的影響,進而提高多姿態人臉識別的準確性。
【關鍵詞】多姿態 人臉識別 HOG方法 WCCN方法
人臉識別是一種基于生物特征,進行身份識別鑒定的技術,是一種直觀、方便的識別技術,當前已經在很多領域中廣泛應用。人臉檢測系統一般可以分為人臉檢測與定位,和特征提取與識別兩個部分。首先,從圖像背景中確定人臉的位置,并通過人臉特征的提取和匹配,實現人臉識別。在人臉識別技術中,多姿態是由于圖像采集角度不同,導致待檢測的人臉圖像,與系統中已采集并作為匹配模板使用的人臉圖像難以匹配的問題。多姿態人臉識別在人臉識別應用中非常常見,也是人臉識別的難點。本文也主要針對人臉識別技術應用過程中的人臉多姿態問題,通過人臉姿態估計,以提高人臉識別系統的可靠性。
1 人臉姿態識別概述
由于人臉姿態的多樣性,為了實現人臉姿態的篩選和判斷,需要進行人臉姿態的劃分,從而將人臉姿態識別問題,轉換為一個多類分類問題。同時,人臉姿態估計問題滿足模式識別問題的基本構成:獲取信息、預處理、提取特征、分類,因此,人臉姿態估計問題也是一種模式識別問題?;诖?,確定人臉姿態估計的基本流程如圖1所示。
如圖1所示,人臉姿態估計流程可分為訓練和估計兩個部分。在訓練過程中,對訓練樣本圖片進行剪裁和灰度化處理,并提取圖像特征作為訓練特征數據集,使用分類器實現訓練特征數據集的分類。人臉姿態估計流程與訓練流程類似,使用同樣的方法提取圖像特征后,根據訓練好的分類器對帶估計人臉圖像進行分類,其分類的結果即為人臉姿態評估結果。
人臉姿態估計問題本質上是一個姿態分類問題,當前國內外研究人員在這一問題上所采用的方法主要有基于模板、基于特征或基于分類的方法。
1.1 基于模板的方法
常見的人臉姿態模板有圓柱模板和橢圓模板兩種,根據先驗知識,建立形狀模板,然后通過人臉面部器官與模板的匹配,實現人臉姿態估計,這種方法原理和實現都較簡單,但是當人臉姿態變化較大導致人臉器官自遮擋較嚴重時,其準確率會急劇下降
1.2 基于特征的方法
包括基于局部特征和基于全局特征的識別方法,基于特征點的相對位置和絕對位置實現人臉姿態,這種方法的準確性很大程度上,與所選取的特征是否合理有關。
1.3 基于分類的方法
通過使用神經網絡、支持向量機(SVM)等分類算法,通過挖掘人臉圖形的隱含姿態信息,實現人臉姿態估計,由于人臉姿態及其圖像的特征,因此往往需要與其它方法結合起來,以提高人臉姿態估計的準確性。
如上所述,基于模板的人臉姿態估計方法,需要較全面的采集樣本不同姿態的信息作為模板進行人臉姿態估計,其實用性不強。為此,常見的人臉姿態估計方法為:首先提取人臉姿態特征,然后采用分類器實現人臉姿態估計。
2 人臉識別算法研究
本文研究中,主要采用梯度方向直方圖(HOG)方法提取人臉圖像特征,并采用類內協方差規整( WCCN)方法對SVM分類器的和空間特征進行規整,以此實現人臉姿態估計和人臉識別。
2.1 HOG方法
HOG通過統計局部區域的梯度方向直方圖,對圖像中的物體輪廓進行描述,是一種有效提取圖像幾何特征的方法。其實現步驟如圖2所示。
在HOG圖像中每一個像素點的HOG值a(x,y)的計算步驟如下所示:
(1)計算原始圖像中像素點(x,y)的水平方向和垂直方向的梯度。
其中,表示原始圖像像素點H(x,y)的像素值。
(2)計算每一個像素點的HOG值α(x,y)。
2.2 WCCN方法
WCCN是一個SVM核空間的特征數據規整處理方法,在SVM核空間中,實現任務無關噪聲和干擾信息的最小化,和任務相關信息的最大化。通過WCCN處理,可以降低人臉姿態信息對人臉識別的影響,以提高SVM分類器的性能,提高人臉識別準確性。
SVM實現的重要思想是找到一個具有最大間隔的特征空間超平面,將問題轉換為超平面內的凸二次規劃問題。SVM有多重核函數,本文以廣義線性核( OvA)為例,進行WCCN設計。
OvA分類器的決策函數如下所示:
其中,fi為第i類決策函數,bi為偏移量,vi為權值向量,若fi(x)>0,則表示樣本屬于第i類。fi的分類風險函數定義如下:
其中,p(f(x)>0|x?i)表示分類器的誤檢率,p(fi(x)
針對上述問題,引入WCCN的概念,將最小化風險函數上邊界的問題,轉換為如式(6)所示的最優化問題。
2.3 人臉識別流程設計
本文所研究的基于HOG和WCCN的人臉識別流程設計如圖3所示。
(1)將人臉圖像庫中的圖像進行統一圖像尺寸、光照歸一化、圖像灰度化等預處理;
(2)利用HOG方法提取人臉圖像特征,組成訓練集合;
(3)對訓練集中的人臉圖像進行WCCN處理,以人臉姿態角度作為依據劃分訓練結合;
(4)采用線性核SVM分類器對處理后的人臉圖像進行分類,以及根據分類結果的反饋,對SVM分類器進行優化;
(5)將測試樣本按照如上的流程,得到測試樣本的分類預測結果。
3 人臉識別算法的實驗
3.1 實驗庫選擇
選擇美國卡內基梅隆大學創建的CMU-PIE數據庫進行本文所研究的人臉識別算法的實驗驗證。CMU-PIE中包含了非常豐富的不同姿態、表情和光照條件下的人臉圖像數據。在實驗過程中,從數據庫中提取24個樣本的人臉圖像,每個人臉圖像包含如圖4所示的-90°至90°之間的9鐘姿態。
3.2 實驗過程
本次實驗,根據如前所述的人臉識別過程,采用PCA和HOG人臉特征提取算法,和是否使用WCCN進行優化的SVM分類器進行兩兩聯合實驗。
實驗時,分別選取10~15個樣本作為試驗集,而剩余樣本作為訓練集,總計進行6次實驗,通過6次實驗的平均值來對比不同算法組合的人臉識別準確性。
實驗過程中的各參數設置如下:
(1) SVM選擇線性核函數,其它參數為LibSVM中,SVMtrain函數的默認參數;
(2) PCA的主成分比例設置為0.9;
(3)在WCCN分類中,確定同一樣本不同姿態類的先驗概率為p(i)=l/9。
3.3 實驗結果分析
3.3.1 特征提取對比
提取樣本的人臉特征是進行人臉識別的第1步,本次實驗過程中選擇了PCA和HOG兩種人臉特征提取方法。
其中,基于PCA技術的人臉特征提取思路為:通過Karhunen-Loeve變換,識別人臉圖像主要特征,將人臉圖像投影到特征人臉空間。其最終提取的人臉特征向量維數情況如表1所示。
如上所示,可以看出HOG方法提取的人臉特征更多,特征越多對人臉的描述也越詳細,有助于提高人臉識別的準確性。
3.3.2 分類算法對比
PCA和HOG人臉特征提取算法,和是否使用WCCN進行優化的SVM分類器,總計4中組合的測試人臉樣本的分類準確性如圖5所示。
如圖5所示,在6次實驗中,使用HOG人臉特征提取方法和使用WCCN優化后的SVM分類器組合的人臉識別算法穩定,而且準確性較高,表明使用本文所研究的HOG+WCCN的人臉識別算法,可以有效的提高多姿態人臉識別的準確性。
參考文獻
[1]G. Hilton,D.Mumford. Reducingthe dimensionality of datawithneuralnetworks [J].Science, 2006, 313 (5786): 504.
[2]F.Zhi Peng,Z. Yan Ning. Survey forDeep Learning in Face Recognition[C]. 2014 IEEE InternationalConference.2014, 5-8.
[3]J. Wright,A.Y.Yang,A. Gane sh. Robustface Recognition via SparseRepresenta tion
[J]. IEEE, Transactionson Pattern Analysis and Machine Intelligence. 2009, 31 (02): 210-227.