自20世紀90年代以來,人臉識別技術已成為計算機視覺、模式識別和信息技術等領域研究的熱點課題之一,并且在此基礎上提出了主成分分析PCA(Principal Component Analysis)[1,2]、二維主成分分析2DPCA（Two-Dimensional Principal Component Analysis)[3]、雙方向的二維主成分分析[4]和線性鑒別分析LDA(Linear Discriminant Analysis)[5]等有效的識別方法。但是，現(xiàn)有的正面人臉圖像的識別方法，僅當有充分數(shù)量的有代表性的人臉圖像樣本時才能取得較好的識別效果。然而在一些特殊場合，如法律實施、海關護照驗證和身份證驗證等，每類(人)只能得到一幅圖像，此時就只能用這些數(shù)目有限的圖像去訓練人臉識別系統(tǒng)。若用前面提到的那些方法處理這種訓練樣本數(shù)目有限的人臉識別系統(tǒng)，識別率會明顯下降,甚至變得不再適用。參考文獻[6]首先對原始人臉圖像利用奇異值分解，然后運用分解得到的較大的幾個奇異值對原始人臉圖像近似重構，并且將重構人臉圖像和原始圖像一起作為訓練樣本，從而對原訓練樣本個數(shù)進行擴展，再對增加了訓練樣本后的樣本集運用2DPCA方法進行特征抽取，該方法可取得較好的識別效果。但是由于人臉圖像存在姿態(tài)、表情等變化，而且這個變化越大，算法的識別誤差也越大?；诖?，本文提出了一種基于圖像鏡像和奇異值分解的鏡像奇異值分解方法。該方法首先對人臉圖像做鏡像變換，然后對原始人臉圖像和鏡像圖像分別做奇異值分解，接著用較大的幾個奇異值分別對原人臉圖像重構，將這些重構圖像、原圖像以及鏡像圖像一起作為訓練樣本運用(2D)2PCA方法對其進行特征抽取，最后使用基于最小歐氏距離的分類方法對樣本集進行分類識別。由于考慮了人臉圖像的旋轉等姿態(tài)變化,在ORL人臉數(shù)據(jù)庫上的實驗結果表明，該方法比參考文獻[6]中的方法有更好的識別性能。
1 方法的思想與實現(xiàn)
1.1 鏡像人臉圖像生成
增加鏡像圖像可以部分消除由于頭部的旋轉對人臉識別造成的影響，而且人臉圖像是基本對稱的[7]，則此時可以考慮將原始人臉圖像A以其垂直中心軸由式(1)作鏡像變換,從而對原始訓練人臉圖像的個數(shù)進行擴展。
A1=A×M (1)
其中，M為反對角線元素為1、其余元素為0的方陣。
1.2 基于奇異值分解的人臉表示
1.3 基于(2D)2PCA的特征提取
訓練時，將每張訓練人臉圖像Ak(k=1,2,…,M)分別向Z和X投影，得到訓練樣本的投影特征矩陣Ck(k=1,2,…,M)；同時，在測試時，對于任一測試人臉圖像A，首先使用式(5)得到特征矩陣C，然后使用基于最小歐氏距離的最近鄰分類器對測試人臉圖像進行分類識別。本文算法的結構流程圖如圖1所示。
2 實驗結果及分析
2.1 實驗所用人臉庫
本實驗所用人臉數(shù)據(jù)庫為ORL人臉庫，該人臉數(shù)據(jù)庫由40人、每人分別由10幅大小均為112×92的256灰度級的正面人臉圖像組成，這些圖像是在不同時間、不同光照、不同表情和不同姿態(tài)下拍攝的。圖2給出了ORL人臉數(shù)據(jù)庫中的部分標準人臉圖像及其鏡像圖像。
2.2 實驗方法及結果
為了對各方法的識別效果進行對比，本文分別對單樣本PCA算法、SVD+PCA算法、參考文獻[6]中提出的SVD+2DPCA算法、SVD+(2D)2PCA以及本文提出的方法在ORL人臉數(shù)據(jù)庫上進行10組實驗，即分別將每個人的第1,2,3,...,10幅共40幅人臉圖像作為訓練樣本，而其余的360幅圖像作為測試樣本進行分類識別，然后取其平均識別率，測試結果如表1所示。以下(2D)2PCA方法中行方向降維維數(shù)為10，即只對其列方向維數(shù)做變化。
不同的特征提取方法的確會對系統(tǒng)識別率的提高有一定的影響，為了驗證本文方法識別率的提高不僅僅依賴于(2D)2PCA特征提取方法的選擇，而是由于鏡像人臉圖像樣本的增加，實驗中分別對單樣本PCA算法、SVD+PCA算法、SVD+2DPCA算法、SVD+(2D)2PCA算法以及本文算法在ORL人臉庫上，同樣分別將每個人的第1,2,3,...,10幅圖像作為訓練人臉圖像，而將其余的360幅作為測試樣本，取同一特征向量維數(shù)下的10組實驗的平均識別率作為其最終識別率，測試結果如圖3所示。
同時，為了比較各參考文獻方法和本文方法在不同測試樣本數(shù)目情況下的穩(wěn)定性[9]，做如下的測試實驗：在ORL人臉庫上分別取每個人的第1,2,3,...，10張圖像作為訓練樣本，分10組實驗，同時在每組實驗中分別以除訓練樣本以外的前2,3,4,...，9張圖像作為測試樣本，計算每組實驗的平均識別率，實驗結果如圖4所示。
2.3 實驗結果分析
由表1可以看出，在不同的訓練樣本條件下，本文提出的方法的識別效果明顯高于參考文獻中提出的其他幾種方法，這主要是由于加入鏡像信息后可以減小由于姿態(tài)變化對人臉識別的影響。從圖3中的實驗數(shù)據(jù)也可以看出SVD+2DPCA和SVD+(2D)2PCA方法在特征維數(shù)增大時，兩種方法的識別效果差不多，但是都不如本文所提方法，而且由SVD+(2D)2PCA方法和本文方法的比較曲線可以得知,本文方法識別率的提高主要是依賴于人臉圖像鏡像信息的加入，而不是僅僅由于(2D)2PCA特征提取方法的選擇。由圖4可知，隨著測試樣本個數(shù)的增加，特別是PCA方法的識別率較低而且其穩(wěn)定性較弱，與SVD+2DPCA以及SVD+(2D)2PCA方法相比，本文所提方法在保證識別率高于其他方法的同時，也表現(xiàn)出了較強的穩(wěn)定性。
通過對原始人臉圖像增加鏡像圖像來擴充訓練人臉樣本數(shù),提出了一種基于鏡像奇異值分解的新方法。實驗表明，與其他單樣本人臉識別方法相比,本文所提出的方法具有較高的識別率，在一定程度上克服了由于人臉姿態(tài)的變化對識別結果的影響,并取得了較好的識別效果。但是，現(xiàn)有的基于單樣本人臉識別的方法其識別率一般都不高,有效算法的提出還有待進一步的研究。
參考文獻
[1] ZHAO W, CHELLAPPA R, ROSENFELD A, et al. Face recgnition: a literature survey[J]. ACM Computing Surveys, 2003,35(4):399-458.
[1] TURK M, PENTLAND A. Eigenfaces for recognition[J].Journal of Cognitive Neuroscience, 1991,3(1):71-86.
[2] TURK M, PENTLAND A. Face recognition using eigenfaces[A]. Proceedings of IEEE Computer Vision and Pattern Recognition[C]. Hawaii, USA: IEEE CS Press, 1991: 586-591.
[3] YANG J, ZHANG D. Two_dimensional PCA: a new approach to appearance-based face representation and Recognition[J]. IEEE Transaction on Pattern Analysis and Machine Intelligence, 2004,26(1):131-137.
[4] ZHANG Dao Qiang, ZHOU Zhi Hua. (2D)2PCA:Two-directional two-dimensional PCA for efficient face representation and recognition[J]. Neurocomputing,2005(69): 224-231.
[5] BELHUMEUR V, HESPANHA J, KRIEGMAN D. Eigenfaces vs fisherfaces: recognition using class specific linear projection[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1997,19(7):711-720.
[6] LU Chong, LIU Wan Quan, SEN Jian. An face recognition with only one training sample[J]. Proceedings of the 25th Chinese Control Conference 7-11 August, 2006
[7] 楊瓊，丁曉青.對稱主分量分析及其在人臉識別中的應用[J].計算機學報,2003,26(9):1146-1151.
[8] ZHANG D, CHEN S, ZHOU Z H. A new face recognition method based on SVD perturbation for single example image per person[J].Applied Mathematics and computation, 2005,163(2):895-907.
[9] 吳朋.基于虛擬信息的單樣本分塊人臉識別[J].計算機工程與應用,2009,45(19):146-149.
下載文檔
