基于聚類算法人臉識(shí)別方法的研究
掃描二維碼
隨時(shí)隨地手機(jī)看文章
0.引言
在智能小區(qū)的安防系統(tǒng)中,人臉識(shí)別技術(shù)的應(yīng)用,提高了安防報(bào)警系統(tǒng)的安全可靠性。人臉識(shí)別技術(shù)因其具有非接觸性、特征提取方便、防偽性能高等優(yōu)勢得到廣泛的應(yīng)用。人臉識(shí)別技術(shù)綜合了計(jì)算機(jī)、通信、光學(xué)、電子、機(jī)械等多學(xué)科技術(shù),在控制領(lǐng)域和智能建筑領(lǐng)域有著廣闊的應(yīng)用前景 。本文研究了基于聚類算法判別人臉圖像的方法,達(dá)到應(yīng)用于智能小區(qū)門禁系統(tǒng)和樓宇門禁系統(tǒng)的實(shí)際應(yīng)用要求,如圖1所示。
圖1 智能門禁報(bào)警系統(tǒng)的結(jié)構(gòu)圖
基于圖像分塊進(jìn)行人臉識(shí)別時(shí),隨著分塊數(shù)目的增多,子圖像保留的奇異值個(gè)數(shù)、維數(shù)的控制,以及子圖像權(quán)重的賦值等問題,若只依靠主觀經(jīng)驗(yàn)來決定,則缺乏客觀依據(jù)。徑向基函數(shù)(RBF-Radial Basis FunctiON)網(wǎng)絡(luò)是一種性能良好的前饋型三層神經(jīng)網(wǎng)絡(luò),具有全局逼近性質(zhì)和最佳逼近性能,訓(xùn)練方法快速易行,RBF 函數(shù)還具有局部響應(yīng)的生物合理性。在隱含層中心確定的情況下,RBF網(wǎng)絡(luò)只需對(duì)隱含層至輸出層的單層權(quán)值學(xué)習(xí)修正,比多層感知器具有更快的收斂速度。利用 YALE人臉數(shù)據(jù)庫,通過RBF網(wǎng)絡(luò)對(duì)奇異值個(gè)數(shù)、子圖像數(shù)目、特征值數(shù)量、聚類因數(shù) 、聚類個(gè)數(shù)、 因數(shù)的測試結(jié)果,為人臉圖像的識(shí)別提供客觀地指導(dǎo)。
利用相關(guān)參數(shù)的仿真實(shí)驗(yàn)結(jié)果,為進(jìn)一步研究子圖像賦值情況,提高人臉識(shí)別的速度和精確度提供了有效的幫助和參數(shù)支持。
1.聚類算法的初始化
RBF神經(jīng)網(wǎng)絡(luò)可描述為:
式中,w(k,i)為隱含層第i個(gè)節(jié)點(diǎn)與輸出層第k個(gè)輸出節(jié)點(diǎn)的連接權(quán)值。
隱含層聚類的初始化過程如下。
(1)在每個(gè)類別收斂于一個(gè)聚類中心的假設(shè)前提下,將隱含層的節(jié)點(diǎn)數(shù)初始設(shè)定為輸出層的節(jié)點(diǎn)數(shù),即u=s,再根據(jù)RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練情況具體調(diào)整。
(2)隱含層第k個(gè)神經(jīng)元的中心Ck為 k 類特征矢量的均值。
(3)計(jì)算從均值Ck到屬于類別k的最遠(yuǎn)點(diǎn)kfarP的歐氏距離。
(4)計(jì)算各個(gè)j聚類中心到k聚類中心的距離。再根據(jù)dmin(k,l)和dk,dl的關(guān)系,對(duì)以下幾種情況進(jìn)行判斷。
情況(a):若滿足的條件,則表明類別k與其他類別l無重疊。
情況(b):若滿足的條件,則表明類別k與其他類別l有重疊,需要進(jìn)一步考慮以下情況 。
(i)當(dāng)滿足的條件時(shí),則表明兩個(gè)類別雖有重疊,但是互相不包含。
(ii)當(dāng)滿足的條件時(shí),則表明類別k包含于其他類別之中,可能導(dǎo)致RBF神經(jīng)網(wǎng)絡(luò)分類錯(cuò)誤。
(5)按照以下分離原則對(duì)每類樣本進(jìn)行判別并細(xì)分。
(i)包含規(guī)則:若滿足,則表明類別k包含于類別l之中,類別l應(yīng)被進(jìn)一步細(xì)分為兩個(gè)聚類。
(ii)正確歸類規(guī)則:若類別k包含許多其他類別l的數(shù)據(jù),則需要將類別k進(jìn)一步細(xì)分為兩個(gè)聚類。
重復(fù)上述步驟,直至選定的全部人臉圖像的訓(xùn)練樣本都被處理為止,整個(gè)RBF神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)隨之確定。
2.RBF神經(jīng)網(wǎng)絡(luò)的參數(shù)調(diào)整
定義誤差函數(shù)為:
其中,lky和lkt表示在輸出層ky節(jié)點(diǎn)上對(duì)應(yīng)第l個(gè)訓(xùn)練樣本的實(shí)際輸出值和理想輸出值。通過線性最小二乘法求解最佳連接權(quán)值*W。
RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練收斂性能,如圖2的實(shí)例所示。圖2為RBF神經(jīng)網(wǎng)絡(luò)誤差輸出曲線圖,圖中的橫軸表示RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練的迭代次數(shù),縱軸表示RBF神經(jīng)網(wǎng)絡(luò)實(shí)際誤差的輸出值,即訓(xùn)練迭代一次新網(wǎng)絡(luò)的輸出值與原先網(wǎng)絡(luò)按誤差函數(shù)公式(2)計(jì)算得到的結(jié)果。實(shí)驗(yàn)條件為在Yale數(shù)據(jù)庫中,選取15個(gè)類別的人臉圖像,每個(gè)類別選取11張人臉圖像作為訓(xùn)練樣本,提取每個(gè)人臉圖像的特征值數(shù)量為90,對(duì)應(yīng)于網(wǎng)絡(luò)的訓(xùn)練集為一個(gè)165×90的矩陣時(shí),得到RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練的誤差函數(shù)輸出情況。在具體實(shí)驗(yàn)中,設(shè)定RBF神經(jīng)網(wǎng)絡(luò)停止參數(shù)訓(xùn)練調(diào)整的條件為:當(dāng)前一次系統(tǒng)輸出誤差值與當(dāng)前系統(tǒng)輸出誤差值的變化量相差小于0.01時(shí),RBF神經(jīng)網(wǎng)絡(luò)停止參數(shù)訓(xùn)練調(diào)整。圖2表明,RBF 神經(jīng)網(wǎng)絡(luò)的誤差輸出值下降得很快,在迭代過程不到15次的情況下,誤差曲線就進(jìn)入系統(tǒng)誤差值輸出相差較小的范圍內(nèi),收斂速度較快。
圖2 RBF網(wǎng)絡(luò)誤差輸出曲線圖
3.聚類算法的仿真實(shí)驗(yàn)
參數(shù)設(shè)定值的不同,將對(duì)基于聚類算法的人臉圖像識(shí)別的結(jié)果產(chǎn)生影響,例如對(duì)子圖像劃分的個(gè)數(shù)、子圖像奇異值向量保留的個(gè)數(shù)、聚類因數(shù)α、γ因數(shù)的選取等。對(duì)不同參數(shù)初始化時(shí)設(shè)定不同的數(shù)值,將得到的實(shí)驗(yàn)結(jié)果進(jìn)行對(duì)比和綜合分析,進(jìn)而確定包括輸入層、輸出層、隱含層節(jié)點(diǎn)數(shù)目及其核函數(shù)的選取等在內(nèi)的合理的RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),確定包括貝葉斯分類器的權(quán)值分配、閾值選取等在內(nèi)的合適融合策略,以便進(jìn)行深入的研究。
實(shí)驗(yàn)中,訓(xùn)練樣本為Yale人臉庫中的每人前6張照片,共90張,測試樣本為每人的后5張照片,共75張。樣本完整訓(xùn)練誤差容限為1,訓(xùn)練最大次數(shù)為120。
(1)在γ因數(shù)取為0.8、子圖像的數(shù)目為32塊、保留子圖像的奇異值個(gè)數(shù)為10的條件下,測試不同聚類因數(shù)α取值、不同聚類個(gè)數(shù)(即RBF神經(jīng)網(wǎng)絡(luò)隱含節(jié)點(diǎn)個(gè)數(shù))情況下的識(shí)別率。如圖3中data1所示。
圖3 不同參數(shù)下的識(shí)別結(jié)果
實(shí)驗(yàn)結(jié)果表明,隨著聚類因數(shù)α的增大,聚類個(gè)數(shù)也在增多,當(dāng)α>3.0以后,識(shí)別率趨于穩(wěn)定。而且,在RBF神經(jīng)網(wǎng)絡(luò)中隱含層節(jié)點(diǎn)數(shù)增多的情況下,會(huì)加大RBF神經(jīng)網(wǎng)絡(luò)的計(jì)算負(fù)擔(dān)。因此,最終選擇聚類因數(shù)α=3.5,來進(jìn)一步研究子圖像權(quán)重的賦值。
(2)在聚類因數(shù)α取為3.5、子圖像的數(shù)目為32塊、保留子圖像的奇異值個(gè)數(shù)為10的條件下,測試不同γ因數(shù)情況下的識(shí)別率,如圖3中data2所示(data2與data3重合)。實(shí)驗(yàn)結(jié)果表明,在γ因數(shù)逐漸增大的情況下,識(shí)別率隨之逐漸提高并趨于穩(wěn)定。因此,最終選擇γ=0.8,來進(jìn)一步研究子圖像權(quán)重的賦值。
(3)在聚類因數(shù)α取為3.5、γ因數(shù)取為0.8、子圖像的數(shù)目為32塊的條件下,測試每個(gè)子圖像保留不同奇異值個(gè)數(shù)時(shí)識(shí)別率的情況,如圖3中data3所示。實(shí)驗(yàn)結(jié)果表明,在子圖像的奇異值個(gè)數(shù)增加的情況下,識(shí)別率的有所增加并趨于穩(wěn)定。最終選擇保留子圖像的奇異值個(gè)數(shù)為10,來進(jìn)一步研究子圖像權(quán)重的賦值。
(4)在聚類因數(shù)α取為3.5、γ因數(shù)取為0.8的條件下,測試保留不同奇異值特征個(gè)數(shù)時(shí)識(shí)別率的情況。如圖3中data4所示,其中,每個(gè)子圖像保留奇異值的個(gè)數(shù)×子圖像數(shù)目=每幅圖像的奇異值特征個(gè)數(shù)。
實(shí)驗(yàn)結(jié)果表明,人臉圖像劃分的子圖像數(shù)目較多的情況下,識(shí)別率較高,而且當(dāng)子圖像的數(shù)目達(dá)到32塊時(shí),識(shí)別率已經(jīng)趨于穩(wěn)定狀態(tài)。人臉圖像劃分的子圖像數(shù)目不宜過多,這樣會(huì)使每幅人臉圖像的奇異值特征個(gè)數(shù)過大,進(jìn)而增加RBF神經(jīng)網(wǎng)絡(luò)的計(jì)算負(fù)擔(dān)。最終選擇子圖像的數(shù)目為32塊的情況,來進(jìn)一步研究子圖像權(quán)重的賦值。
4.仿真實(shí)驗(yàn)結(jié)果分析
基于上述仿真實(shí)驗(yàn)數(shù)據(jù)進(jìn)行參數(shù)設(shè)定,在人臉識(shí)別仿真系統(tǒng)中測試情況如圖4所示。
圖4 人臉識(shí)別仿真系統(tǒng)
根據(jù)實(shí)驗(yàn)結(jié)果確定聚類因數(shù) α=3.5、γ=0.8、保留子圖像的奇異值個(gè)數(shù)為10。人臉圖像的子圖像數(shù)目對(duì)應(yīng)于RBF神經(jīng)網(wǎng)絡(luò)輸入空間的維數(shù)r,樣本庫中的人臉圖像類別數(shù)對(duì)應(yīng)于輸出空間的維數(shù)s,每類人臉圖像樣本的子圖像的特征空間數(shù)目對(duì)應(yīng)隱含層節(jié)點(diǎn)數(shù)u,根據(jù)上述實(shí)驗(yàn)結(jié)果調(diào)整u不超過120。對(duì)人臉圖像進(jìn)行分塊,在樣本數(shù)量很大、維數(shù)很高的情況下,有效地減少了計(jì)算量。但是,子圖像數(shù)目不宜過多,否則增加神經(jīng)網(wǎng)絡(luò)計(jì)算負(fù)擔(dān),識(shí)別率也會(huì)有所下降。
5.結(jié)語
本文研究了基于聚類算法的人臉識(shí)別方法。根據(jù)人臉圖像劃分子圖像的數(shù)目和所選定的訓(xùn)練或測試人臉圖像的類別數(shù)的情況,確定RBF神經(jīng)網(wǎng)絡(luò)的輸入層、輸出層的節(jié)點(diǎn)數(shù);根據(jù)RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練識(shí)別效果,通過調(diào)整中間隱含層節(jié)點(diǎn)數(shù)、核函數(shù)及其中心點(diǎn)和寬度,通過基于聚類算法的人臉識(shí)別仿真實(shí)驗(yàn),具體量化了中間隱含層節(jié)點(diǎn)數(shù)與子圖像的對(duì)應(yīng)關(guān)系、每幅子圖像中奇異值向量的保留個(gè)數(shù)、聚類因數(shù)的選取等各項(xiàng)參數(shù),為進(jìn)一步根據(jù)各個(gè)子圖像權(quán)值的合理分配,提高人臉識(shí)別的識(shí)別精度和良好的識(shí)別速度提供了有效的參數(shù)支持。