張楊+張仁杰

摘要：由于經(jīng)典的PCA算法要求樣本滿足高斯分布，然而現(xiàn)實(shí)中的樣本往往因?yàn)楸砬?、角度、光照等原因不滿足高斯分布，導(dǎo)致算法識別率不高。因此，提出一種基于改進(jìn)PCA算法的人臉識別方法。首先，將具有相似特征（表情、角度、亮度）的不同樣本通過分塊方式劃分在一個(gè)矩陣中，使樣本趨于高斯分布；其次，通過直方圖均衡化樣本的方法，加強(qiáng)樣本對比度，以突出樣本的人臉器官特征；最后采用經(jīng)典PCA算法進(jìn)行辨識。通過在ORL人臉庫上的實(shí)驗(yàn)得出，該方法不但耗費(fèi)總時(shí)間少于經(jīng)典的PCA算法，而且識別率也得到提升，具有一定可行性。

關(guān)鍵詞：人臉識別；分塊；直方圖均衡化；改進(jìn)的PCA算法

DOIDOI：10.11907/rjdk.172191

中圖分類號：TP301

文獻(xiàn)標(biāo)識碼：A文章編號文章編號：16727800（2018）001003203

Abstract：The classical PCA algorithm requires the sample to satisfy the Gaussian distribution， but the real samples often do not satisfy the Gaussian distribution because of the expression， the angle and the light. So the recognition rate of this algorithm is not high. For this reason， this paper presents a face recognition method based on improved PCA algorithm. Firstly， different samples with similar characteristics （expression， angle， brightness） are divided into a matrix by way of block in order to make samples tend to Gaussian distribution. Secondly， through the method of histogram to equalize the sample， the contrast of the sample is enhanced to highlight the facial features. Finally， the classical PCA algorithm is used to identify the samples. And through the experiment on the ORL face database， this method not only cost less total time than the classic PCA algorithm and recognition rate has also been improved. In a general， this way is feasible.

Key Words：face recognition； block； histogram equalization； improved PCA algorithm

0引言

隨著現(xiàn)代信息化技術(shù)的迅速發(fā)展，人臉識別技術(shù)也進(jìn)入快速發(fā)展期。人臉識別技術(shù)目前已被應(yīng)用于各個(gè)行業(yè)，包括公安的刑偵破案、網(wǎng)絡(luò)信息安全、機(jī)器人智能化等領(lǐng)域。不僅如此，人臉識別技術(shù)具有其它方法所不具備的優(yōu)勢，如非接觸式、自然性。因此，用戶的可接受度高，具有廣闊的發(fā)展前景[13]。

經(jīng)典PCA（Principle Component Analysis）算法是人臉識別中的常用算法，此方法通過KL變換提取人臉特征構(gòu)成特征臉空間，在識別時(shí)將待識別的樣本投影到此特征臉空間，可得到一組投影向量，再通過與數(shù)據(jù)庫中的每個(gè)樣本比較進(jìn)行識別。經(jīng)典的PCA算法受人臉表情、角度、光照等因素影響較大[4]，為了減少影響，本文改進(jìn)了經(jīng)典的PCA算法。本文算法基于被廣泛使用的線性鑒別方法——PCA算法[5]，一方面，通過分塊方式將具有相似特征的樣本劃分在同一矩陣，再直方圖均衡化樣本，找到總體最小區(qū)域后，采用經(jīng)典PCA算法對預(yù)處理過的樣本進(jìn)行特征提取及識別。通過在ORL人臉數(shù)據(jù)庫上的實(shí)驗(yàn)表明，本文方法的識別效率和準(zhǔn)確率都高于經(jīng)典的PCA算法，具有一定可行性。

2改進(jìn)的PCA算法

本文提出的改進(jìn)算法采取分塊的方式，將具有相似特征（表情、角度、光照）的樣本劃分到一個(gè)矩陣，再直方圖均衡化樣本。最后，找出能夠代表大多數(shù)人臉特征的總體最小區(qū)域，通過經(jīng)典的PCA算法對預(yù)處理過的訓(xùn)練樣本集進(jìn)行特征提取及后續(xù)識別。具體包括以下幾個(gè)步驟：

2.1分塊處理

經(jīng)典PCA算法要求樣本滿足高斯分布，但現(xiàn)實(shí)中的樣本往往不滿足高斯分布，則噪聲和冗余不能用方差和協(xié)方差恰當(dāng)?shù)乇硎?，因而無法得到充分反映訓(xùn)練空間的特征子空間，從而降低PCA算法的識別率[6]。因此，針對這一缺陷，本文提出的改進(jìn)方法采取分塊的方式，將具有相似特征（表情、角度、光照）的樣本劃分到一個(gè)矩陣。由于分塊后的樣本具有相似特征（表情、角度、光照），所以樣本趨于高斯分布，有助于提高算法識別率[7]。

分塊處理的具體流程為：將原來的標(biāo)準(zhǔn)訓(xùn)練矩陣A=[d11，d12，…，dij]T分成多個(gè)子塊A1，A2，…，Am。其中，A1，A2，…，Am表示訓(xùn)練樣本中具有相同表情、角度、光照的樣本合集。由于這些子塊具有相同屬性，保證了樣本接近高斯分布，可以一定程度上提高識別率。

2.2樣本直方圖均衡化

直方圖均衡化的基本思想是將原始圖的直方圖變換為較原直方圖更加均勻的形式，擴(kuò)展了像素灰度值的動(dòng)態(tài)范圍，提高了對比度，突出了樣本特征。endprint

設(shè)原始圖像在（x，y）處的灰度為f，轉(zhuǎn)換后的圖像在（x，y）處灰度為g，則變換過程可以表示為在（x，y）處的灰度由f映射為g，該過程可以定義為：g=EQ（f）。

直方圖均衡化任意子塊中的一個(gè)樣本，變化前和變化后的圖像如圖1、圖2所示。

由圖可知，該樣本經(jīng)過直方圖均衡化變換后，樣本對比度得到加強(qiáng)，突出了人臉器官特征，有助于后續(xù)得到充分反映樣本空間特征的特征臉，提高算法識別率。

2.3找出總體最小區(qū)域

設(shè)Bi（j）表示圖像樣本xij中明亮部分與灰色部分的邊界線，設(shè)集合{Li（j）}表示圖像樣本xij每行從左往右第一個(gè)邊緣點(diǎn)坐標(biāo)的集合，設(shè)集合{Ri（j）}表示圖像樣本xij每行從右往左第一個(gè)邊緣點(diǎn)坐標(biāo)的集合。其中，設(shè)集合{Li（j）}中有H（xij）個(gè)元素，即該樣本圖像的高度為H（xij），集合{Li（j）}中的第k個(gè)元素是圖像樣本xij第k行的第一個(gè)邊緣點(diǎn)；設(shè)集合{Ri（j）}中有N（xij）個(gè)元素，即該樣本圖像高度為N（xij），集合{Ri（j）}中的第k個(gè)元素是圖像樣本xij第k行的最后一個(gè)邊緣點(diǎn)坐標(biāo)[8]。

3實(shí)驗(yàn)結(jié)果及分析

本次實(shí)驗(yàn)采用ORL人臉數(shù)據(jù)庫，該數(shù)據(jù)庫由40人的樣本圖像組成，每人10個(gè)樣本圖像，每個(gè)樣本圖像存在角度、表情、光照的差異，一共400幅圖像數(shù)據(jù)。而且，所有樣本背景均是單一顏色，樣本像素大小均為128×128。其中，部分人臉樣本圖像如圖3所示。

實(shí)驗(yàn)使用Matlab R2014a軟件，計(jì)算機(jī)配置為：Intel Core i53210M，2.50GHz，4GB內(nèi)存。本文涉及的實(shí)驗(yàn)數(shù)據(jù)均在此配置下計(jì)算得出。

本文實(shí)驗(yàn)對比所用的經(jīng)典PCA算法，是將每個(gè)人的前5幅樣本圖像作為訓(xùn)練樣本，后5幅樣本圖像作為測試樣本，共有200張訓(xùn)練樣本和200張測試樣本，計(jì)算此條件下的識別率、構(gòu)造特征臉時(shí)間以及識別時(shí)間。分塊方式分為兩種，第一種方式是按照正臉和側(cè)臉方式分為2塊；第二種方式是按照微笑、正常以及其它表情（包括驚訝、沮喪等） 分為3塊。

在不同的訓(xùn)練樣本數(shù)條件下，計(jì)算不同分塊方式下的本文方法和經(jīng)典PCA算法的識別率、構(gòu)造特征臉時(shí)間以及識別時(shí)間。其中，識別率數(shù)據(jù)比較的結(jié)果顯示如圖4所示，構(gòu)造特征臉時(shí)間、識別時(shí)間結(jié)果記錄如表1所示。

由圖4與表1可以看出，本文提出的改進(jìn)方法在識別率和構(gòu)造特征臉時(shí)間兩方面都比經(jīng)典PCA算法好。從識別率方面看，隨著樣本數(shù)增加，本文方法的識別率逐步提升，而且整體識別率高于經(jīng)典的PCA算法。原因是通過直方圖均衡化子塊訓(xùn)練樣本集，增強(qiáng)了圖像對比度，突出了人臉器官特征，使后續(xù)得到的特征臉更能體現(xiàn)樣本空間特征，有助于實(shí)現(xiàn)人臉識別，一定程度上提高了識別準(zhǔn)確率；從構(gòu)造特征臉時(shí)間方面看，本文方法的構(gòu)造特征臉時(shí)間少于經(jīng)典PCA算法，原因是本文方法提取的是預(yù)處理后的樣本特征，其樣本空間維數(shù)遠(yuǎn)小于經(jīng)典PCA算法，可以減少計(jì)算量，有效提高識別效率。由于本文方法在識別部分的算法利用的是經(jīng)典PCA算法，所以在識別部分花費(fèi)的時(shí)間和經(jīng)典PCA算法時(shí)間近似，但是本文方法降低了人臉識別耗費(fèi)的總時(shí)間。

4結(jié)語

本文提出了一種基于改進(jìn)PCA算法的人臉識別方法，其最大的優(yōu)點(diǎn)在于通過分塊方式，大大降低了樣本維數(shù)及算法計(jì)算量，從而減少了構(gòu)成特征臉時(shí)間，降低了耗費(fèi)總時(shí)間。而且通過直方圖均衡化過程，加強(qiáng)了樣本圖像的對比度以突出人臉器官特征，相比于經(jīng)典PCA算法，一定程度上提升了識別率。通過在ORL人臉數(shù)據(jù)庫的實(shí)驗(yàn)可以看出，本文提出的改進(jìn)算法在構(gòu)造特征臉?biāo)俣燃白R別率方面優(yōu)于經(jīng)典PCA算法，具有可行性。另外，在實(shí)驗(yàn)中發(fā)現(xiàn)，分塊方式的不同將影響識別率和耗費(fèi)總時(shí)間。因此，如何選擇更優(yōu)的分塊方式是下一步需要研究的問題。

參考文獻(xiàn)：

[1]趙鑫，汪維家，曾雅云，等.改進(jìn)的模塊PCA人臉識別新算法[J].計(jì)算機(jī)工程與應(yīng)用，2015（2）：161164，176.

[2]高曉興，李仁睦，王文佳，等.基于人臉分類和KL變換的人臉識別新方法[J].微計(jì)算機(jī)信息，2010（7）：810.

[3]李榮健，韓其龍，楊鑫華.改進(jìn)的PCA人臉識別新算法[J].大連交通大學(xué)學(xué)報(bào)，2008（4）：4851.

[4]PAUL VIOLA，MICHAEL J ROBUST. Realtime face detection[J]. International Journal of Computer Vision，2004，57（2）：137154.

[5]TURK M， PENTLAND A.Face recognition using eigenfaces[C]. IEEE Conference on Computer Vision and Pattern Recognition，Huwaii，1991：586590.

[6]王曉強(qiáng)，劉勇奎.參數(shù)曲線的分段步長生成算法[J].計(jì)算機(jī)應(yīng)用研究，2006（1）：227229，232.

[7]劉勇奎，周曉敏.逐點(diǎn)生成參數(shù)曲線的雙步算法[J].計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)，2002（7）：619623.

[8]周亦敏，袁毅.改進(jìn)的PCA算法在人臉識別中的應(yīng)用研究[J].微計(jì)算機(jī)信息，2012（8）：150151.

（責(zé)任編輯：黃健）endprint