基于PCA_ICA的人脸特征提取新方法

Novel face feature extraction method based on PCA/ICA
Fan Qunzhen Liu Jinqing (S chool of Physi cs and O pt o-Elect ronics Technol ogy , Fujian N orm al U ni versi ty , Fuzhou 350007)
特征提取是人脸识别中一个非常重要的环节 , 目的是 为了降低人脸图像的维数 。而如何从原始数据中提取最显 著的特征 , 为日后的识别和分类打下基础是关键 。目前主 要的特征提取方法有 :提取几何特征 、统计特征 、频率域特 征和运动特征 。其中几何特征提取方法思想是 :利用先验 知识和人脸的结构特征 ,从而定位人脸面部的显著特征点 , 如眼睛 、眉毛 、鼻子 、嘴巴等 。 但是这些特征点容易受到胡 须 、饰物 、眼镜 、复杂背景 、光照条件和表情变化的影响 , 所 以它有很大的局限性 。 统计的特征提取方法中最常用是主 成分分析(PC A)[ 2-3] 、独立成分分析(ICA)和线性判别分析 (LDA)[ 4] 。 PCA 算法是一种经典的统计方法 , 其思想是在
最大程度保持信息量的前提下 , 从高维数据空间中提出低 维数据的特征 分量 , 是一种 基于人脸全局 特征的识别 方 法[ 5] 。 LDA 算法以样本可分性为目标 , 希望找到一组线性 变换 , 使每类类间离散度最大 , 类内离散度最小 , 可是会出 现小样本(SSS)问题[ 4] 。 ICA 算法是继 PCA 后的另外一个 分析多维数据的有力工具 ,其目的是获取数据的独立分量 , 是一种基于人脸局部特征的识别方法[6] 。小波技术 ,G abor 小波 , DC T 等都是基于时频域变换的分析方法 。
M
∑ d(y
,
x
j i
)=
‖y
-x
j i
‖
=
(xij -y) j =1 , 2 , … ,
i =1
N
(3)
当d
=min
M i
d(y
,
x
j i
),
即
y
∈
Ai , 就是说 y 是属于子类
A i ,也就代表 y 是人脸库中某个人 。图 5 为 ORL 库中的某
两个人的正确匹配结果 。
图 7 特征数和识 别率的关系
为 M ×N , 样本集协方差矩阵记为 C =DD T , C 的维数为
M ×M , 对它求解特征值和特征向量很困难 。一种取而代
之的方法是令 C =DTD , 即协方差矩阵的转置阵 , 可以知
道此矩阵是 N ×N(N 为训练样本)的一个较小的矩阵 。求
矩阵 L 的特征向量e 1 和对应的特征值 λi 。特征值按降序排 序 :λ1 ≥ λ2 ≥ … ≥ λm … ≥ λM 。选 择特征 值最 大的 前 m(m ≤M)个特征向量 W 得出样本的主成分 , 主成分构成
别投影到这个空间 ,获得了投影系数 。 这时候人脸识别就可以看作是坐标系数的归类问题 。采
用最近邻(Nearest Neighbor)分类器[ 10] 和欧式距离鉴别法进行 分类识别 。假设有 M 个人 ,每人 N 张图像 , 共有样本N ×M 。 假设训练样本集为 A1 , A2 , …AM , 共 M 个子类 , 则每子类有 N 个样本 xji , 其中 j 为 Aj 类的第 j 个样本 , j =1 ,2 , …,N 。给定 一张待测试图像 y 与训练样本集的欧式距离为 :
0 引 言
人脸(face)[ 1] 自动识别是一种基于生物特征识别的身 份认证 技术 , 其应用 十 分广 泛 。 与 指纹 、视 网膜 、虹膜 、 DNA 等其他的人体生物特征识别系统相比 , 人脸识别系统 具有直接 、友好 、方便的特点 , 易为用户所接受 。因此人脸 识别技术是一个极具现实意义和使用价值的研究领域 。
图 1 平均脸和前 10 个特征脸
2 .2 独立成分分析(ICA)算法 独立分量分析(independent com ponent analysis)是随
盲信源分离而发展起来 。ICA 和 PCA 相同之处 , 在于也是 由原始样本数据求一个特征空间 , 然后把新的数据映射到 这个特征空间 , 获得一组特征向量 ,用来分类识别 。 不同之 处在于 ICA 算法要求各个分量间是统计独立或者尽可能 独立[ 9] 。所以 , ICA 算法具有更好的可分性 。
上和尺寸上的归一化处理 。 2)采用 PC A 方法 , 进行 K-L 变换 , 从中提取最大的前
m 个特征值对应的特征矢量 , 得到一个人脸子空间 , 也就是 特征脸子空间 。
3)在此基础上 , 运用 ICA 算法 , 得出 ICA 人脸的特征 子空间 。
4)在人脸识别过程中 , 把训练样本和待识别图像 y 分
ICA 算法的基本模型 :X =AS U =W X , 模型图如
· 32 ·
图 4 基于 PCA/ ICA 的人脸识别系统
PCA/ICA 算法的具体计算过程 : 1)首先对输入人脸图象样本集进行预处理 , 包括灰度
范群贞 等 :基于 P CA/ ICA 的人脸特征提取新方法
第8期
Abstract:Face recog nitio n is at tractive in pattern recog nition and ar tifical intellig ence field, face feature ex tractio n is impo r tant in face recog nitio n.T his pape r first intro duced preprocessing of face image s, P CA and I CA alg orithm . Co nsidering PCA and ICA alg orithm each hav e its advantages and disadvantage s, then proposes a nov el face feature e xtr action method based o n PCA/ ICA .T he N N cla ssifier , is select to face cla ssifica tion and reco gnition o n the O RL face databa se .Experiments indica ted that the modified metho d is supe rio r to PCA alg orithm and ICA alg orithm . Keywords:face reco g nition ;feature ex traction ;face image ; principle component nalysis (PCA );independent co mpo nent analy sis (ICA)
摘 要 :人脸自 动识别方法已成为当前模式识别和人工智能领域 的一个研 究热点 , 人脸特征 提取是人 脸识别 技术的 关键 。 首先介绍了人脸图 像的预处理过程 , PCA 和 ICA 算法的 原理 , 针 对 PCA 和 ICA 算法 本身优缺 点 , 提 出一种新 的基于 PCA/ ICA 的人脸特征提取方法 , 最后采用最近邻分类器 , 对 O RL 人 脸库进行分 类识别 。 实验 证明 , 改进的方 法优于 PCA 算法和 ICA 算法 。 关键词 :人脸识 别 ;特征提取 ;人脸图像 ;主成分分析法(PCA);独立成分分析法(ICA) 中图分 类号 :T P311 文献标识码 :A
实验 2 随机的选取其中 10 个人 , 在特征维数相同的情 况下 , 变化训练样本数 , 得出识别率与训练样本数的关系 , 从图 8 可以看出识别率随着训练样本数的增加而缓慢增 高 。当训练样本为 90 时 ,也就是每个人的 9 张图像用来训 练 ,1 张图像用来识别 , 这时候识别率达到最大 。并且不管 训练样本为多少 , 改进方法识别率都高于 PCA 方法和 ICA 方法 , 改进方法识别率最高可达 93 .7 。
＊基金项目 :福建省教育厅科技项目(JB07040)
· 31 ·
第 33 卷
电 子 测 量 技 术
一个有效的方法是对原始输入图像进行旋转 、缩放和裁剪 等尺寸归一化处理 。
2 改进的算法
图 2 。其中 X 为人脸训练样本集 ;S 为独立分量 , 且被假定 是统计独立的 ;A 为可逆混合矩阵 ;W 为独立基矩阵 。
信息技术及图像处 理 E LE C TR O N电IC 子M E A测S U R量EM 技EN T术 TECH NO LOGY
第 33 卷 第 8 期 2010 年 8 月
基于 PCA/ICA 的人脸特征提取新方法 ＊
范群贞 刘金清
(福建师范大学 物理与光电信息科技学院 福州 350007)
图 3 前 10 个独立基影像
2 .3 基于 PCA/ICA 的人脸识别 PCA 方法是对预处理后的人脸图像进行降维 , 提取的
是人脸全局特征 , 可能会丢掉人脸图像中表征表情的局部 有用信息 , 而 IC A 的基向量在空间上是局部的 。 结合 PCA 和 ICA 各自 的优点 和不足 , 提 出一种改 进的基 于 PCA/ IC A 算法进行人脸特征提取 。 其思想是首先通过 PC A 算 法对图像进行去二阶相关和降维处理 ,不但可以消除噪声 , 而且还可以减少计算量 , 然后利用 ICA 算法获取人脸图像 独立基分量 。 图 4 给出了改进的算法过程 。
1 人脸图像预处理
对输入的人脸图像进行预处理是人脸识别系统的前期 工作 。由于 PCA 是基于图像灰度统计值的算法 , 所以对人 脸图像进行适当的预处理是必要的 。 首先需要把彩色图像 转变为灰度图像 , 然后用直方图均衡化方法对人脸图像进 行灰度归一化 ,有效消除噪声对人脸图像灰度分布的影响 。 基于统计提取特征有个缺点是 , 对于外加干扰引起的图像 差异(比如光照 、照片角度等)和人脸图像本身的差异(每个 人脸的尺寸大小是不一样)是区分不了的 。针对这个问题 ,