多姿態人臉識別關鍵技術

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.