楊穎嫻

（廣東司法警官職業(yè)學(xué)院 信息管理系，廣東 廣州 510520）

在人臉識別中，為了提高人臉識別率，尋找一個好的特征提取方法和分類器非常關(guān)鍵。目前常用的人臉特征提取方法有特征臉法、奇異值分解、傅里葉變換及小波分解等，常用的人臉識別分類器有人工神經(jīng)網(wǎng)絡(luò)分類器、最近鄰分類器、Fisher線性分類器和基于統(tǒng)計學(xué)習(xí)的分類器等[1-2]。

支持向量機(jī) SVM （Support Vector Machine）最初由Vapnik等人于20世紀(jì)90年代提出，它建立在統(tǒng)計學(xué)習(xí)理論基礎(chǔ)上，克服了小樣本和高維數(shù)問題，是一種新型的機(jī)器學(xué)習(xí)方法[3-5]。然而在實際問題中，不同的樣本對分類的作用不一定是相同的，因此，對所有的訓(xùn)練樣本采用相同的錯分懲罰是不合理的。基于以上考慮，Lin Chunfu等人[6]將隸屬度函數(shù)引入支持向量機(jī)中，提出了一種模糊支持向量機(jī)，在支持向量機(jī)的基礎(chǔ)上給每個樣本分別賦—個隸屬度值，對不同的樣本采用不同的懲罰權(quán)重系數(shù)，在構(gòu)造目標(biāo)函數(shù)時，使不同的樣本有不同的貢獻(xiàn)，對噪聲或孤立點賦予很小的權(quán)值，從而達(dá)到消除噪聲或孤立點的目的。張釗等[7]提出在二叉樹支持向量機(jī)的基礎(chǔ)上結(jié)合模糊支持向量機(jī)理論提出的多分類方法，克服了上述缺點，取得了較好的分類效果。宦若虹等把支持向量機(jī)應(yīng)用于人臉識別[8]提出采用ICA和SVM進(jìn)行圖像的目標(biāo)提取和識別，取得了一定的效果。

本文在參考文獻(xiàn)[7]和參考文獻(xiàn)[8]等工作的基礎(chǔ)上，結(jié)合獨立元分析和模糊支持向量機(jī)分類器，提出了一種新人臉識別方法。首先利用獨立分量分析對人臉圖像進(jìn)行人臉特征臉空間的特征提取，所得到的特征值組成向量，再利用模糊支持向量機(jī)分類器對各類人臉圖像進(jìn)行分類。基于ORL人臉圖像庫的實驗結(jié)果表明，本文的識別方法非常有效，且算法簡單，易于實現(xiàn)。

1 模糊支持向量機(jī)分類器

1.1 FSVM模糊支持向量機(jī)的多類算法

[6]將模糊技術(shù)應(yīng)用于支持向量機(jī)中，提出了一種模糊支持向量機(jī)，針對支持向量機(jī)對訓(xùn)練樣本內(nèi)的噪聲和孤立點的敏感性，引入模糊參數(shù)，對不同的樣本采用不同的懲罰系數(shù)，使得對決策函數(shù)的學(xué)習(xí)有不同的貢獻(xiàn)，從而減弱噪聲及孤立點對分類的影響。

設(shè)給定模糊訓(xùn)練樣本集S ＝{（x1，y1，μ1），（x2，y2，μ2），…，（xl，yl，μl）}和核函數(shù)K（xi，xj），其中xi∈Rn，yi∈{-1，1}，μi∈（0，1]。K對應(yīng)某特征空間Z中的內(nèi)積，即K（xi，xj）＝φ（xi）·φ（xj），變換φ：X→Z將樣本從輸入空間映射到特征空間，μi是訓(xùn)練點（xi，yj，μi）的輸出yj＝1（正類）或-1（負(fù)類）的模糊隸屬度（i＝1，2，…，l）。則模糊最優(yōu)分類函數(shù)為：

在SVM中，仍將n類問題轉(zhuǎn)化為n個兩類問題來處理。 設(shè)類 i和類 j的決策函數(shù)為 Dij（x）＝w（x）+bij，并有Dij（x）-Dji（x）。對于輸入向量 x，計算：

在模糊支持向量機(jī)算法中，通過對不同樣本賦予不同的隸屬度 ui＝f（Dij（x）），如果 ui是 Dij（x）的線性函數(shù)，則：

這里隸屬度均為正值。

1.2 FSVM分類器和二叉決策樹的組合（BTFSVM）

在樣本數(shù)量和類別數(shù)目較多的情況下，F(xiàn)SVM算法的時間復(fù)雜度很大，因此考慮結(jié)合二叉決策樹來降低算法的時間復(fù)雜度。如果存在一個類可分的問題，那么任意兩類之間都是兩兩可分的?；谶@點，本文將FSVM兩類分類器與二叉決策樹的拓?fù)浣Y(jié)構(gòu)結(jié)合起來，構(gòu)成樹形結(jié)構(gòu)的多類分類器。在FSVM分類器的設(shè)計中，核函數(shù)的選擇也是關(guān)鍵，常用的核函數(shù)有多項式核函數(shù)、徑向基核函數(shù) （RBF）和sigmoid函數(shù)作為內(nèi)積核函數(shù)等。本文利用RBF函數(shù)作為核函數(shù)。下面給出基于徑向基核函數(shù)（RBF）的二叉樹 FSVM多類分類方法（K類，K＞2），具體步驟如下：

（1）排序。對K類樣本根據(jù)各類樣本的數(shù)量進(jìn)行由多到少的排序，形成分類序列集合。

（2）訓(xùn)練傳統(tǒng)的 SVM分類器，得到初始支持向量，并用其來構(gòu)成決策分類面。

（3）根據(jù) 1.1節(jié)中介紹的方法，由傳統(tǒng) SVM中得到的分類面及超平面，求出隸屬度函數(shù) ui，確定模糊訓(xùn)練集（x1，y1，μ1），（x2，y2，μ2），…，（xl，yl，μl）。

（4）訓(xùn)練模糊訓(xùn)練點，構(gòu)造最優(yōu)分類函數(shù)。對于k類訓(xùn)練樣本，訓(xùn)練k-1個FSVM分類器。

（5）對樣本進(jìn)行分類。

（6）依次下去，直到算法結(jié)束。

2 基于獨立分量分析的人臉特征提取

ICA作為一種盲源信號分離技術(shù)[8]，是基于信號的高階統(tǒng)計特性的分析方法。由原始樣本數(shù)據(jù)求一個特征空間，然后把新的數(shù)據(jù)映射到這個特征空間，獲得一組特征向量，用來分類識別。在人臉圖像的實際處理中，ICA基本原理是通過對人臉訓(xùn)練樣本進(jìn)行某種線性分解，把其分解成統(tǒng)計上獨立的成分，根據(jù)這些獨立成分對待檢測圖像進(jìn)行判別。在利用ICA之前先要對原始數(shù)據(jù)進(jìn)行預(yù)處理，預(yù)處理的內(nèi)容主要包括去均值、矢量歸一以及PCA降維，降維既能去除噪聲，又能減少運(yùn)算量。

記xi為一幅人臉數(shù)據(jù)，可以構(gòu)造一個訓(xùn)練人臉集合{x1，x2，…，xM}（xi表示一幅 m×n 大小的人臉圖像按列展開成的M×N維向量），其中每個人臉數(shù)據(jù)看作是N個獨立元素 s1，s2，…，sN的線性組合，這些獨立元素概率獨立并具有零均值。 將觀察變量xi記作向量 X，X＝（x1，x2， …，xM）T，將元素 si記作向量 S，S＝（s1，s2，…，sN）T，則人臉的樣本集X可以表示為：

ICA算法的目的就是求分離矩陣W，使得：

利用ICA提取人臉特征的具體過程如下：

（1）計算所有樣本的均值向量并中心化所有樣本；

（2）求樣本X的協(xié)方差矩陣并求白化矩陣；

（3）求輸出矩陣 Z，它是X在 UM1所張成的子空間上的投影；

（4）應(yīng)用固定點ICA 算法對 Z作獨立分量分析，得到輸出Y；

（5）將人臉圖像T向獨立成分S構(gòu)成的子空間投影，得到投影系數(shù)。

3 實驗設(shè)計與分析

為了檢驗本文算法的有效性，選擇ORL標(biāo)準(zhǔn)人臉庫作為分類識別對象。在人臉識別過程中，為構(gòu)造特征臉空間，首先根據(jù)本文第2節(jié)的算法對人臉圖像進(jìn)行降維，將 400幅 112×92的人臉圖像轉(zhuǎn)化為 40×40，求得 M個相互正交的特征向量和相對應(yīng)的M個特征值；然后將人臉圖像在高維空間中的向量映射到特征臉空間，構(gòu)成人臉圖像在特征臉空間的特征參數(shù)，以這些特征參數(shù)為輸入構(gòu)造FSVM的樣本空間。利用1.2節(jié)的FSVM的二叉樹分類算法判斷人臉圖像所屬類別。

為了驗證本文所提出方法的有效性，分別采用4種不同方法對ORL人臉數(shù)據(jù)庫進(jìn)行實驗，實驗結(jié)果如表1所示。

表1 4種方法實驗結(jié)果

從結(jié)果可以看出，在相同的實驗條件下，本文提出的方法的識別率明顯高于其他3種分類算法，誤識標(biāo)準(zhǔn)差也更小，說明系統(tǒng)更加穩(wěn)定。

本文結(jié)合獨立元分析和模糊支持向量機(jī)分類器，提出一種新的人臉識別方法。首先利用獨立分量分析對人臉圖像進(jìn)行人臉特征臉空間的特征提取，將所得到的特征值組成向量，再利用模糊支持向量機(jī)分類器對各類人臉圖像進(jìn)行分類。實驗結(jié)果證明，與采用單獨的PCA+SVM、ICA+SVM等方法相比，該方法具有更好的魯棒性且識別精度較高。

參考文獻(xiàn)

[1]ZHAO W Y， CHELLAPPA R， ROSENFELD A， et al.Face recognition： a literature survey [J].ACM Computing Surveys， 2003，35（4）：399-458.

[2]楊潔，馮力剛，蔣加伏.基于小波包和支持向量機(jī)的人臉識別[J].計算機(jī)仿真，2004，21（9）：131-133.

[3]CRISTIANINI N，TAYLOR J S.An introduction to support vector machines and other kernel-based learning methods[M].Cambridge： Cambridge University Press， 2000.

[4]鄧乃揚(yáng)，田英杰.數(shù)據(jù)挖掘中的新方法——支持向量機(jī)[M].北京：科學(xué)出版社，2004.

[5]祁亨年.支持向量機(jī)及其應(yīng)用研究綜述[J].計算機(jī)工程，2004，30（10）：6-9.

[6]Lin Chunfu，Wang Shengde.Fuzzy support vectormachines[J].IEEE Transactions on Neural Networks，2002， 13（2）： 464-471.

[7]張釗，費(fèi)一楠，宋麟，等.基于模糊支持向量機(jī)的多分類算法研究[J].計算機(jī)應(yīng)用，2008，28（7）：1681-1683.

[8]宦若虹，楊汝良.基于ICA和SVM的SAR圖像特征提取與目標(biāo)識別[J].計算機(jī)工程，2008，34（13）：24-28.

[9]BELLA J.An information maximization approach to blind separation and blinddeconvolution[J].Neural Computation，1995，7（6）：1129-1159.