基于仿生模式的人脸识别_琚生根

收稿日期:2007-07-03

基金项目:国家自然科学基金(60272095)

作者简介:琚生根(1970-),男,讲师,博士研究生,研究方向为计算机网络、智能计算、数字水印.E -mail:jsg@ 通讯作者:周激流.E -mail:zhoujl@

文章编号: 0490-6756(2008)01-0065-06

基于仿生模式的人脸识别

琚生根1,周激流1,何 坤1,王 刚1,2

(1.四川大学计算机学院,成都610065; 2.四川警察学院,泸州646000)

摘 要:我们提出了基于/认识0事物的人脸识别.以同类样本全体的连续性规律为基本出发点把人脸识别看成人脸/认识0的问题而不是人脸分类划分,与以/最佳划分0为目标的传统统计模式识别相比,本文的方法更接近于人类/认识0事物的特性.同一人脸的分布在低维空间中具有一定的类聚性而不同人脸的覆盖范围相互交织.随着空间维数增加,同类样本内聚性减

弱,不同类样本互斥性增强;空间维数继续增加,同类样本内聚性与不同类样本互斥性反而都会减弱.将待识别人脸在某一空间进行覆盖范围的识别.若属于多个侯选人脸覆盖范围,进而运用Fisher 人脸识别出最终结果.对ORL 人脸库实验表明,对于未经过训练的任意对象不会误识,识别率为97.5%.

关键词:模式识别;仿生学;连续性规律;多项式核函数中图分类号:TP391.41 文献标识码:A

Face recognition on bionic pattern

J U Sheng -Gen 1,ZH OU Ji -L iu 1,H E K un 1,WAN G Gang 1,2

(1.Colleg e of Co mputer Science,Sichuan U niversity,Chengdu 610065,China;

2.Sichuan Police Colleg e,Luzhou 646000,China)

Abstract:A /matter cognition 0based face recognition model has been proposed.By taking continuity rule of samples of a same class as the starting point,face pattern recognition is considered as face pattern cognition in -stead of its pared w ith traditional best classification goaled statistic pattern recognition,it .s

more similar to the character of human cognition.A person .s face distribution in low dimension space has a certain kind of cohesion,w hile face coverag e of different people overlap.By the increase of space dimension,the cohesion of samples of a same class decrease,w hile the repel of samples of different classes increases.But as the increase of space dimension continue,both the cohesion of samples of a same class and the repel of sam -ples of different classes decreases.Coverage of candidate faces recognition is processed in a certain space.If it belongs to several candidate face coverage,Fisher method can be applied to get the final result.Experiment based on ORL proves that,random object w ithout training can be perfectly recognized.Key words:pattern recog nition,bionics,continuity rule,polynomial function

1 引 言

人脸识别问题是计算机视觉中的一个重要课

题.虽然人类的人脸识别能力很强,能够记住并辨别上千个不同人脸,可是对于计算机则困难多了,其主要原因有:人脸表情丰富及变化的姿态,人脸

2008年2月 第45卷第1期 四川大学学报(自然科学版)

Journal of Sichuan U niversity (Natural Science Edition)

Feb.2008Vol.45 No.1

随年龄增长而变化以及人脸图像受光照、成像角度及成像距离等影响;进而二维图像重建三维是病态过程,目前尚没有很好的描述人脸的三维模型.另外,人脸识别还涉及到图像处理、计算机视觉、模式识别以及神经网络等学科,也与人脑的认识程度紧密相关.

传统的人脸识别主要分为基于几何特征和模板匹配的人脸识别方法.基于几何特征的方法[1,2]人为的指定特征,丢失了大量判别信息,识别率不高.最具代表模板匹配方法是基于特征脸的方法[3-6],它从整体上提取人脸的代数特征进行识别.进而划分类别实现人脸识别.近年提出了支持向量机(SVM)的/最优分类超平面0并在此基础上发展构造成了支持向量机(SVM)[7].综上所述,人脸识别考虑的出发点都是在若干类别的最佳分类划分上.虽然用这样的数学描述与处理方法最具有一般性和通用性.但实际效果仍然不令人满意.基于神经网络的人脸识别[8],由于神经网络对学习问题的研究减少了一般性,增加了主观色彩,寻找从小样本出发,进行归纳推理,实现小样本的人脸识别.传统模式识别的基点在于所有可用信息都包含在训练集中;但没有考虑同类样本点相互之间存在的先验知识,仅仅在特征空间中进行不同类样本的划分.然而实际上同类样本间存在普遍存在的先验知识.

我们以/同类人脸样本间存在普遍的先验知识0为基本出发点把人脸模式识别看成人脸模式/认识0的问题而不是人脸分类划分的仿生模式识别;对人脸的/认识0就是对这类人脸全体在特征空间中形成的无穷点覆盖集合的/形状0的分析和/认识0.由于在低维空间同一人脸的分布具有一定的内聚性而不同人脸的覆盖范围相互交织.随着空间维数增加,同类样本内聚性减弱,不同类样本互斥性增强;空间维数继续增加,同类样本内聚性减弱,不同类样本互斥性减弱.运用多项式核函数将人脸分布的低维空间映射到高维空间,并在此空间判别/待识别人脸0是否属于某个人脸覆盖集合.若属于多个侯选人脸覆盖范围,进而运用Fisher人脸识别出最终结果.

2传统统计模式人脸识别

传统统计模式人脸识别[9]中把不同类人脸样本在特征空间中的最佳划分作为目标.基于特征脸的识别方法[10]是将待识别人脸变换到某一特定的特征空间,在这一特征空间中与已知人脸模式进行一一比较.从而得到待识别人脸与已知人脸模式最相似的人脸模式,实现了人脸识别.该方法中已知人脸模式代表该类人脸的所有模式,人脸模式的所有可用信息都包含在已知人脸模式中,人脸模式的推广能力受到限制.

基于神经网络的人脸识别[11]是在已存储的/人脸知识0中寻找与输入人脸匹配最好的存储/人脸知识0作为其识别结果.已存储的/人脸知识0是通过人脸样本进行训练而获得的,在获得人脸知识的过程中对所有人脸样本一一训练直到其误差达到可以接受的程度.其接受程度把训练人脸样本进行适当的推广,将每个人脸样本作为球心,常数作为半径的无穷多个超球体的并作为该类人脸的拓扑空间,提高其人脸识别率.传统统计模式人脸识别把一类人脸模式限定为已知几类人脸模式或其邻域.期望用已知的几类人脸模式代表该类所有人脸模式.这造成了传统统计模式人脸识别方法的人脸模式的推广能力受到限制,识别率下降.

3仿生人脸模式识别的基点和数学模型

传统模式识别中把不同类样本在特征空间中的最佳划分作为目标,而仿生模式识别则以一类样本在特征空间分布的最佳覆盖作为目标.仿生模式识别把分析特征空间训练样本点的关系作为基点,而特征空间中样本分布的连续性规律为此提供了可能性.

3.1仿生人脸模式识别的基点

人们在对事物的识别过程中,存在两种不同的归类过程.一种是/同源0的归类过程;另一种是不同源,按逻辑知识归类的过程.我们把/同源0的称为同一类,而在识别以后再按逻辑归类知识把需要归在一起的类别合并.因而以下所称同类样本指的都是/同源0的一类样本.

自然界任何欲被认识的事物(包括事物、图像、声音、语言、状态等等),若存在两个同类而不完全相等的事物,则这两个事物的差别是可以渐变的或非量子化的.即这两个同类事物之间必存在至少一个渐变过程,在这个渐变过程中间的各事物都是属于同一类.自然界绝大部分事物正是如此,如一只苹果的重量是渐变的,如图1所示,ORL人脸库中某一人脸姿态和表情各异样本,图中左上角为该人脸的标准正面像,其余为姿态和表情各异.姿态

66四川大学学报(自然科学版)第45卷