李冠楠 ，李 強(qiáng)

(順德職業(yè)技術(shù)學(xué)院電子與信息工程系，廣東 順德528300)

人臉識(shí)別中常用的PCA(Principle Component Analysis，主成分分析方法)方法，是一種被廣泛應(yīng)用的標(biāo)準(zhǔn)人臉識(shí)別方法。該方法是利用K－L 變換抽取人臉主要成分，構(gòu)成特征臉空間，識(shí)別時(shí)將測(cè)試圖像投影到此空間，得到一組投影系數(shù)，通過(guò)與各個(gè)人臉進(jìn)行比較進(jìn)行識(shí)別。但是傳統(tǒng)的PCA 人臉識(shí)別技術(shù)還遠(yuǎn)未達(dá)到實(shí)用的程度，準(zhǔn)確率為30% ～70%左右，這其中一個(gè)重要的原因是PCA 算法對(duì)人臉的大小、角度、光照等因素比較敏感［1］。

近年來(lái)對(duì)于人臉識(shí)別較好的Adaboost 是一種具有自適應(yīng)的Boosting 算法［2］，它通過(guò)建立多學(xué)習(xí)機(jī)組合使得弱學(xué)習(xí)機(jī)的性能得到提升，由于具有對(duì)學(xué)習(xí)機(jī)性能的自適應(yīng)和對(duì)學(xué)習(xí)現(xiàn)象的免疫性，受到廣泛關(guān)注。而且基于Haar－like 特征的Adaboost 對(duì)象檢測(cè)算法已經(jīng)比較成熟，人臉檢測(cè)的準(zhǔn)確率可達(dá)到90% ～95%。本文提出了利用Adaboost 算法提取人臉核心特征，包括左眼、右眼、鼻子和嘴巴，然后根據(jù)人臉核心特征識(shí)別人臉，可以有效克服人臉識(shí)別中的大小、角度、光照等不利因素，顯著提高了人臉識(shí)別率，并成功應(yīng)用到了智能相片搜索系統(tǒng)中。

1 PCA 和Adaboost 的人臉識(shí)別方法

1.1 PCA 算法

PCA 方法，也叫做特征臉方法，是一種基于整幅人臉圖像的識(shí)別算法，被廣泛應(yīng)用于降維，在人臉識(shí)別領(lǐng)域也表現(xiàn)突出。對(duì)于一副M×N 的人臉圖像，將其每列相連構(gòu)成一個(gè)大小為D=M×N 維的列向量。D 是人臉圖像的維數(shù)，也是圖像空間的維數(shù)。設(shè)n 是訓(xùn)練樣本的數(shù)目，Xj表示第j 幅人臉圖像形成的人臉向量，則所需樣本的協(xié)方差矩陣為:

其中u 為訓(xùn)練樣本的平均圖像向量:

令A(yù)=［x1－u，x2－u，…，xn－u］，則有sr=AAT，其維數(shù)為D×D。

根據(jù)K-L 變換原理，需要求得的新坐標(biāo)系由矩陣AAT的非零特征值所對(duì)應(yīng)的特征向量組成。直接計(jì)算的計(jì)算量比較大，所以采用奇異值分解SVD(Singular Value Decomposition)定理，通過(guò)求解AAT的特征值和特征向量來(lái)獲得AAT的特征值和特征向量。

依據(jù)SVD 定理，令li為矩陣AAT的r 個(gè)非零特征值，υi為AAT對(duì)應(yīng)于li的特征向量，則AAT的正交歸一特征向量ui為:

則“特征臉”空間為:w=(u1，u2，…，ur)。

將訓(xùn)練樣本投影到“特征臉”空間，得到一組投影向量W=wTw，構(gòu)成人臉識(shí)別的數(shù)據(jù)庫(kù)。識(shí)別時(shí)，先將每一幅待識(shí)別的人臉圖像投影到“特征臉”空間，再利用最鄰近分類器比較其與庫(kù)中人臉的位置，從而識(shí)別出該圖像是否是庫(kù)中的人臉，如果是，是哪一幅人臉。

1.2 Adaboost 算法

AdaBoost 是一種分類器算法，其基本思想是利用大量的分類能力一般的弱分類器(Weak Classifier)通過(guò)一定的方法疊加(Boost)起來(lái)，構(gòu)成一個(gè)分類能力很強(qiáng)的強(qiáng)分類器(Stage Classifier)，生成強(qiáng)分類器的算法步驟為:設(shè)輸入為n 個(gè)訓(xùn)練樣本{x1，y1}，{x2，y2}，…，{xn，yn}，其中yi={0，1}對(duì)應(yīng)假樣本和真樣本，已知訓(xùn)練樣本中有m 個(gè)假樣本，l 個(gè)真樣本，第j個(gè)特征生成的簡(jiǎn)單分類器形式為:

式中:hj表示簡(jiǎn)單分類器的值，θj為閾值，pj表示不等號(hào)的方向，只能取±1，fj(x)表示特征值。

(1)初始化權(quán)重，對(duì)于yi= 0 的樣本，w1，i=1/(2m);對(duì)于yi=1 的樣本，w1，i=1/(2l)。

(2)對(duì)每個(gè)t=1，2，…，T(T 為訓(xùn)練的次數(shù)):

②對(duì)于每個(gè)特征j，按上面方法生成相應(yīng)的簡(jiǎn)單分類器hj，計(jì)算當(dāng)前誤差εj=∑iwi|hj(xi)－yi|。

③選擇具有最小誤差εt的簡(jiǎn)單分類器ht加入到強(qiáng)分類器中去。

④更新每個(gè)樣本對(duì)應(yīng)的權(quán)重wt+1，i=wt，iβt1－θi，如果第i 個(gè)樣本xi被正確分類，則ei=0，反之ei=1，βt=εt/(1－εt)。

(3)最后形成強(qiáng)分類器:

式中，αt=lg(1/βt)。

最后將強(qiáng)分類器按照強(qiáng)弱次序串聯(lián)起來(lái)，形成級(jí)聯(lián)分類器。

2 人臉核心特征的PCA 識(shí)別算法

基于人臉核心特征的PCA 人臉識(shí)別算法的流程如圖1 所示。包括建立人臉核心特征樣本庫(kù)，生成人臉核心特征檢測(cè)分類器，形成人臉核心特征記憶空間，根據(jù)人臉核心特征識(shí)別人臉?biāo)膫€(gè)步驟。本文使用OpenCV 計(jì)算機(jī)視覺函數(shù)庫(kù)實(shí)現(xiàn)基于人臉核心特征的PCA 人臉識(shí)別算法，OpenCV 是Intel?開源計(jì)算機(jī)視覺庫(kù)，它由一系列C 函數(shù)和少量C++類構(gòu)成，實(shí)現(xiàn)了圖像處理和計(jì)算機(jī)視覺方面的很多通用算法［3］。

圖1 基于人臉核心特征的PCA 人臉識(shí)別算法流程圖

2.1 建立人臉核心特征樣本庫(kù)

為了實(shí)現(xiàn)人臉核心特征的檢測(cè)，包括左眼、右眼、鼻子、嘴巴，需要建立左眼、右眼、鼻子、嘴巴樣本庫(kù)。建立樣本庫(kù)的流程如圖2 所示，首先，準(zhǔn)備人臉圖片，我們使用美國(guó)耶魯大學(xué)的Yale 人臉樣本庫(kù)，如圖3 所示;然后從人臉樣本圖片中截取人臉核心特征樣本，包括左眼、右眼、鼻子、嘴巴;最后對(duì)樣本進(jìn)行歸一化處理，包括大小調(diào)整，角度調(diào)整等。

圖2 建立人臉核心特征樣本庫(kù)流程圖

圖3 Yale 人臉樣本庫(kù)部分圖片

2.2 生成人臉核心檢測(cè)分類器

檢測(cè)分類器是根據(jù)對(duì)象樣本庫(kù)生成的樣本特征文件，生成一種對(duì)象的檢測(cè)分類器后，系統(tǒng)將能夠根據(jù)分類器檢測(cè)出圖片中的對(duì)象?；贖aar－like 特征的Adaboost 算法分類器是目前較成熟的對(duì)象檢測(cè)算法，該算法生成包含對(duì)象Haar－like 特征的級(jí)聯(lián)的分類器，可以快速檢測(cè)對(duì)象。

基于Haar－like 特征的Adaboost 算法分類器的生成流程如圖4 所示。首先，準(zhǔn)備樣本庫(kù)，樣本庫(kù)中包括正樣本(包含檢測(cè)對(duì)象的圖片)，以及負(fù)樣本(不包含檢測(cè)對(duì)象的圖片);并設(shè)置訓(xùn)練集和測(cè)試集，即將樣本庫(kù)中的正負(fù)樣本的一部分設(shè)置為訓(xùn)練圖片，另一部分作為測(cè)試圖片;然后，根據(jù)訓(xùn)練集訓(xùn)練檢測(cè)分類器;最后，根據(jù)測(cè)試集進(jìn)行測(cè)試，完善檢測(cè)分類器。生成了人臉核心特征，包括左眼、右眼、鼻子、嘴巴分類器后，就可以進(jìn)行人臉核心特征的檢測(cè)與提取［4］。

圖4 生成人臉核心檢測(cè)分類器流程圖

2.3 形成人臉核心特征記憶空間

傳統(tǒng)PCA 人臉識(shí)別算法是根據(jù)用戶輸入的若干已知名稱的人臉圖片形成人臉記憶空間，基于人臉核心特征的PCA 人臉識(shí)別算法則生成人臉核心特征記憶空間，其流程如圖5 所示。首先，用戶輸入若干已知名稱的人臉圖片;然后，系統(tǒng)使用人臉核心特征檢測(cè)分類器，檢測(cè)并截取人臉中的核心特征，包括左眼、左眼、右眼、鼻子、嘴巴;最后使用PCA 算法生成人臉核心特征記憶空間，包括左眼、右眼、鼻子、嘴巴記憶空間［6］。

圖5 形成人臉核心特征記憶空間流程圖

形成人臉核心特征記憶空間的PCA 算法步驟包括:

第1 步 假設(shè)有P 幅已知名稱的對(duì)象圖像(如左眼、右眼、鼻子、嘴巴)，每個(gè)對(duì)象圖像大小為M×N，對(duì)象矩陣X=(x1，x2，…，xP)T。其中向量xi為由第i 個(gè)圖像的每一列向量堆疊成一列的MN 維列向量，即把矩陣向量化。

第2 步 計(jì)算平均對(duì)象。

第3 步 計(jì)算差值對(duì)象，每一個(gè)對(duì)象與平均對(duì)象的差值di=xi－ψ，i=1，2，…，P。

第4 步 構(gòu)建協(xié)方差矩陣。

第5 步 形成對(duì)象記憶空間W=(u1，u2，…，uQ)，其中協(xié)方差矩陣的特征向量和ui是ATA 的特征值和正交歸一化特征向量，Q 滿足條件。

2.4 基于人臉核心特征識(shí)別人臉

基于人臉核心特征識(shí)別人臉的流程圖如圖6 所示，首先，用戶輸入待識(shí)別人臉;然后，系統(tǒng)根據(jù)人臉核心特征檢測(cè)分類器提取出待識(shí)別人臉的核心特征，包括左眼、右眼、鼻子、嘴巴;然后，系統(tǒng)將待識(shí)別人臉的核心特征對(duì)象與人臉核心特征記憶空間中的對(duì)象進(jìn)行比較;最后，系統(tǒng)根據(jù)各個(gè)人臉核心特征的比較結(jié)果和系統(tǒng)設(shè)置的閾值確定識(shí)別結(jié)果［6］。

圖6 基于人臉核心特征識(shí)別人臉流程圖

基于人臉核心特征識(shí)別人臉的算法步驟如下:

第1 步 將待識(shí)別的人臉核心特征圖像(左眼、右眼、鼻子、嘴巴)與平均對(duì)象的差值對(duì)象投影到對(duì)象記憶空間，得到其特征向量，其中是將每一個(gè)對(duì)象與平均對(duì)象的差值矢量投影到對(duì)象記憶空間。

第2 步 定義閾值。

第3 步 采用歐式距離來(lái)計(jì)算與每個(gè)對(duì)象的距離。為了區(qū)分對(duì)象和非對(duì)象，還需要計(jì)算原始圖像與由對(duì)象空間重建的圖像之間的距離。

第4 步 根據(jù)比較結(jié)果確定識(shí)別結(jié)果。

3 實(shí)驗(yàn)與結(jié)果

隨著數(shù)碼相機(jī)、攝像機(jī)以及個(gè)人電腦的普及，大家的數(shù)碼相片、視頻的數(shù)量急劇增長(zhǎng)，要找出包含某人的相片和視頻要耗費(fèi)較長(zhǎng)的時(shí)間和較多的精力。本文使用基于人臉核心特征的PCA 人臉識(shí)別算法實(shí)現(xiàn)了智能相片搜索系統(tǒng)，該系統(tǒng)可以根據(jù)已知人臉?biāo)阉麟娔X中的相片和視頻，經(jīng)過(guò)測(cè)試，準(zhǔn)確率達(dá)到75%左右。

高于使用傳統(tǒng)的PCA 人臉識(shí)別算法識(shí)別的結(jié)果，表明本文提出的方法的有效性。

智能相片搜索系統(tǒng)的運(yùn)行流程如圖7 所示。首先，管理人臉核心特征記憶空間，即向系統(tǒng)輸入已知姓名的人臉相片;然后，設(shè)置搜索選項(xiàng)，包括搜索人數(shù)、搜索路徑等;最后進(jìn)行相片或視頻搜索。

圖7 智能相片搜索系統(tǒng)運(yùn)行流程圖

4 結(jié)束語(yǔ)

基于人臉核心特征的人臉識(shí)別算法通過(guò)人臉核心特征，包括左眼、右眼、鼻子、嘴巴進(jìn)行人臉識(shí)別，充分利用了成熟、可靠的基于Haar－like 特征的Adaboost對(duì)象檢測(cè)算法，有效克服了傳統(tǒng)PCA 人臉識(shí)別中的大小、角度、光照等不利因素。但當(dāng)人臉有劇烈表情，如大笑、大哭、驚等，會(huì)導(dǎo)致該算法的識(shí)別率降低。下一步，將在增加核心特征識(shí)別權(quán)重，增加新的人臉核心特征，如人臉輪廓、等方面進(jìn)行進(jìn)一步探索。

［1］ Viola P，Jones M J Robust.Real－Time Face Detection［J］.International Journal of Computer Vision，2004，57(2):137－154.

［2］ Viola P，Jones M.Rapid Object Detection Using a Boosted Cascade of Simple Features［C］//Proc. IEEE Conf. Computer Vision and Pattern Recognition，2001:511－518.

［3］ Kirby M，Sirovich L.Application of the KL Procedure for the Characterization of Human Faces［J］.IEEE Tran Pattern Anal Machine Intell，1990(12):103－108.

［4］ Turk M，Pentland A. Eigenfaces for Recognition［J］. J Cognitive Neuroscience，1991，3(1):71－86.

［5］ Yambor W，Draper B，Beveridge J R.Analysis of PCA－Based Face Recognition Algorithms:Eigenvector Selection and Distance Measures［C］//Second Workshop on Empirical Evaluation Methods in Computer Vision，2000.

［6］ 甘玲，朱江.擴(kuò)展Haar 特征檢測(cè)人眼的方法［J］. 電子科技大學(xué)學(xué)報(bào)，2010(2):247－250.

［7］ 秦宏偉，孫勁光.基于自適應(yīng)預(yù)處理和PCA 的人臉識(shí)別方法的研究［J］.計(jì)算機(jī)工程與應(yīng)用，2011(14):186－188.