隋在娟 三星電子（中國）研發(fā)中心

一、人臉識(shí)別過程

人臉線性鑒別分析的基本步驟是獲取代表最重要鑒別特征的特征向量，將特征向量組成特征鑒別空間，再對(duì)不同人臉在此空間上投影，之后用適合的分類器將要?dú)w類的人臉進(jìn)行歸類。此過程最重要的步驟就是特征空間的選取，獲取到的特征空間要具有很強(qiáng)的鑒別特性，能高效迅速的獲取不同人臉的最具有區(qū)分能力的特征。其中經(jīng)典的算法有Fisher鑒別準(zhǔn)則，定義如下：

該經(jīng)典鑒別準(zhǔn)則函數(shù)將人臉特征空間中的類間散度矩陣Sb和類內(nèi)散度矩陣Sw結(jié)合，為確定最優(yōu)的人臉投影方向提供了一個(gè)使同類盡量聚合，異類盡量區(qū)分的準(zhǔn)則。很容易理解，因?yàn)橥惐M量聚合，異類趨于最大的特性使得在該特征空間投影后，不同類的人臉的特征差異很大，相同類的人臉特征趨于相同，因此獲取了每個(gè)人的最具鑒別的區(qū)分能力。我們將人臉樣本在這個(gè)空間中進(jìn)行投影得到特征人臉，之后再選擇合適的分類器將樣本進(jìn)行分類。

二、多種分類器研究

（一）K近鄰分類器

K近鄰分類器（KNN）是人臉識(shí)別常用的一種分類器，這里的K是指K個(gè)的意思，KNN表面意思就是K個(gè)最近的鄰居，說明該算法只關(guān)注最鄰近的幾個(gè)人臉樣本。它的思想是在特征空間中，將測(cè)試樣本與訓(xùn)練樣本的特征距離進(jìn)行計(jì)算，并且根據(jù)距離的遠(yuǎn)近獲取最近的幾個(gè)樣本的類別，這幾個(gè)類別的投票結(jié)果決定了該測(cè)試樣本的類別。

在投影空間中投影得到的特征人臉分布，已知兩類人，圓形表示第一個(gè)人的幾張圖片，三角形表示第二個(gè)人的幾張圖片，圖中人臉的位置是在人臉特征空間的位置轉(zhuǎn)換為二維空間的簡(jiǎn)單示意，想求正方形樣本是哪一個(gè)人的人臉圖像。將KNN中的K選擇4的話，可以看出：離它最近的4個(gè)樣本的絕大多數(shù)屬于圓形樣本類，所以此正方形和圓形表示的是一類人，即是第一個(gè)人的人臉圖像。該分類器KNN在定類決策上，只關(guān)注最鄰近的幾個(gè)人臉樣本投票后的類別，據(jù)此來決定待分樣本所屬的類別。

（二）支持向量機(jī)

支持向量機(jī)（SVM）是一種線性分類器，它需要計(jì)算出兩類數(shù)據(jù)間的最優(yōu)超平面作為分類平面，然后根據(jù)測(cè)試樣本和分類超平面的位置關(guān)系進(jìn)行分類。那么怎樣能找到最合適的分類超平面呢？依據(jù)的原則就是間隔最大化。間隔最大化的概念就是將樣本投影到特征空間中之后，選出一個(gè)平面能夠使兩類樣本的支持向量離求得的這個(gè)分類超平面的距離盡可能的遠(yuǎn)，間隔盡可能大。如果在低維空間中樣本無法線性區(qū)分，則會(huì)利用核函數(shù)投影在高維空間中，因此低維線性不可分問題被轉(zhuǎn)化為高維線性可分，因此可以選擇合適的超平面進(jìn)行分類。

在人臉識(shí)別中，在二維圖像空間中無法線性區(qū)別的兩個(gè)人臉樣本，可以選用合適的核函數(shù)（核函數(shù)的選取可以選用最常用的高斯核函數(shù)，線性核函數(shù)等）投影到更高維的空間中，在高維人臉空間中線性可分即可實(shí)現(xiàn)人臉樣本的分類。這時(shí)當(dāng)一個(gè)測(cè)試樣本要進(jìn)行分類，只需要根據(jù)樣本在空間中的位置，即可確定它屬于哪一類別，當(dāng)測(cè)試樣本在高維空間中位置在分類超平面的一側(cè)，則屬于這一側(cè)的類，反之亦然。事實(shí)上，SVM是一種二分類的模型，但一樣可以應(yīng)用到多人臉分類中，只需要將多分類分解成多個(gè)人臉二分類的問題，人臉多分類的目標(biāo)即可輕松達(dá)到。

（三）稀疏分類器

稀疏分類器SRC與以上提及的方法思路有很大的不同。設(shè)想如果能獲得充足的訓(xùn)練樣本，就可能利用同一類別訓(xùn)練樣本的線性組合來表征測(cè)試樣本。這種表示方法自然是稀疏的。給定充足的訓(xùn)練樣本X=[x1,x2,…, xn]Rm×n，任意一個(gè)給定測(cè)試樣本y可以表示為：y=Xa，可以通過L1范數(shù)問題來求解稀疏系數(shù)矩陣A=[a1,a2,…an]Rm×n。理想情況下，a的非0系數(shù)應(yīng)全部來自與y同一個(gè)類的樣本，但噪聲等原因可能導(dǎo)致不同類的稀疏系數(shù)不為0。下面有兩種分類方法：（見圖1、圖2）

圖1 某個(gè)測(cè)試樣本的稀疏系數(shù)

圖2 某個(gè)測(cè)試樣本的重構(gòu)誤差

（1）將y歸到有單個(gè)最大系數(shù)的類中，圖1表示了此分類方法。該樣本有10類，即10個(gè)人臉，每個(gè)人臉有5張。我們可以看到第9個(gè)人的5張樣本對(duì)應(yīng)的稀疏系數(shù)最大，因此我們判斷測(cè)試樣本y屬于第9個(gè)人的人臉圖片。

（2）對(duì)于每一類，只留下與本類有關(guān)的值，將向量a中非本類的值置成0，重新構(gòu)成向量再重建這樣得到了C個(gè)然后求出所有個(gè)重構(gòu)誤差：ri=就將測(cè)試樣本y歸于誤差最小的值所在的類，從圖2可以看到重構(gòu)誤差中最小的是第9個(gè)，因此我們將該樣本歸類為第9類。SRC直接利用每一個(gè)測(cè)試樣本的稀疏表示進(jìn)行分類，并將樣本選擇歸類到能給出最佳壓縮表示的訓(xùn)練樣本的那一類。

三、結(jié)束語

本文研究了人臉識(shí)別中三種分類器在人臉識(shí)別中的應(yīng)用，人臉識(shí)別中分類器是在訓(xùn)練與測(cè)試樣本在特征臉空間投影之后使用。KNN是常用分類器，K的選取至關(guān)重要，SVM在小樣本問題中表現(xiàn)效果好，SRC對(duì)噪聲遮擋相當(dāng)魯棒，現(xiàn)實(shí)中需要根據(jù)實(shí)際情況選擇不同的分類器。