|
目前有許多正面人臉的識別方法，當(dāng)有充分?jǐn)?shù)量的訓(xùn)練樣本時,能取得較好的識別效果，然而當(dāng)處理單樣本人臉識別問題時,效果則明顯下降。針對這種情況，提出了基于鏡像奇異值分解的單樣本人臉識別方法,通過采用鏡像的方法增加訓(xùn)練樣本信息。實驗表明，在對人臉圖像進(jìn)行識別時取得了較好的效果，并且在一定程度上克服了單樣本條件下姿態(tài)變化對識別效果的影響。 自20世紀(jì)90年代以來,人臉識別技術(shù)已成為計算機(jī)視覺、模式識別和信息技術(shù)等領(lǐng)域研究的熱點(diǎn)課題之一,并且在此基礎(chǔ)上提出了主成分分析PCA(Principal Component Analysis)[1,2]、二維主成分分析2DPCA（Two-Dimensional Principal Component Analysis)、雙方向的二維主成分分析和線性鑒別分析LDA(Linear Discriminant Analysis)等有效的識別方法。但是，現(xiàn)有的正面人臉圖像的識別方法，僅當(dāng)有充分?jǐn)?shù)量的有代表性的人臉圖像樣本時才能取得較好的識別效果。然而在一些特殊場合，如法律實施、海關(guān)護(hù)照驗證和身份證驗證等，每類(人)只能得到一幅圖像，此時就只能用這些數(shù)目有限的圖像去訓(xùn)練人臉識別系統(tǒng)。若用前面提到的那些方法處理這種訓(xùn)練樣本數(shù)目有限的人臉識別系統(tǒng)，識別率會明顯下降,甚至變得不再適用。參考文獻(xiàn)首先對原始人臉圖像利用奇異值分解，然后運(yùn)用分解得到的較大的幾個奇異值對原始人臉圖像近似重構(gòu)，并且將重構(gòu)人臉圖像和原始圖像一起作為訓(xùn)練樣本，從而對原訓(xùn)練樣本個數(shù)進(jìn)行擴(kuò)展，再對增加了訓(xùn)練樣本后的樣本集運(yùn)用2DPCA方法進(jìn)行特征抽取，該方法可取得較好的識別效果。但是由于人臉圖像存在姿態(tài)、表情等變化，而且這個變化越大，算法的識別誤差也越大。基于此，本文提出了一種基于圖像鏡像和奇異值分解的鏡像奇異值分解方法。該方法首先對人臉圖像做鏡像變換，然后對原始人臉圖像和鏡像圖像分別做奇異值分解，接著用較大的幾個奇異值分別對原人臉圖像重構(gòu)，將這些重構(gòu)圖像、原圖像以及鏡像圖像一起作為訓(xùn)練樣本運(yùn)用(2D)2PCA方法對其進(jìn)行特征抽取，最后使用基于最小歐氏距離的分類方法對樣本集進(jìn)行分類識別。由于考慮了人臉圖像的旋轉(zhuǎn)等姿態(tài)變化,在ORL人臉數(shù)據(jù)庫上的實驗結(jié)果表明，該方法比參考文獻(xiàn)中的方法有更好的識別性能。 1 方法的思想與實現(xiàn) 1.1 鏡像人臉圖像生成 增加鏡像圖像可以部分消除由于頭部的旋轉(zhuǎn)對人臉識別造成的影響，而且人臉圖像是基本對稱的，則此時可以考慮將原始人臉圖像A以其垂直中心軸由式(1)作鏡像變換,從而對原始訓(xùn)練人臉圖像的個數(shù)進(jìn)行擴(kuò)展。 A1=A×M (1) 其中，M為反對角線元素為1、其余元素為0的方陣。 1.2 基于奇異值分解的人臉表示 1.3 基于(2D)2PCA的特征提取 訓(xùn)練時，將每張訓(xùn)練人臉圖像Ak(k=1,2,…,M)分別向Z和X投影，得到訓(xùn)練樣本的投影特征矩陣Ck(k=1,2,…,M)；同時，在測試時，對于任一測試人臉圖像A，首先使用式(5)得到特征矩陣C，然后使用基于最小歐氏距離的最近鄰分類器對測試人臉圖像進(jìn)行分類識別。本文算法的結(jié)構(gòu)流程圖如圖1所示。 2 實驗結(jié)果及分析 2.1 實驗所用人臉庫 本實驗所用人臉數(shù)據(jù)庫為ORL人臉庫，該人臉數(shù)據(jù)庫由40人、每人分別由10幅大小均為112×92的256灰度級的正面人臉圖像組成，這些圖像是在不同時間、不同光照、不同表情和不同姿態(tài)下拍攝的。圖2給出了ORL人臉數(shù)據(jù)庫中的部分標(biāo)準(zhǔn)人臉圖像及其鏡像圖像。 2.2 實驗方法及結(jié)果 為了對各方法的識別效果進(jìn)行對比，本文分別對單樣本PCA算法、SVD+PCA算法、參考文獻(xiàn)中提出的SVD+2DPCA算法、SVD+(2D)2PCA以及本文提出的方法在ORL人臉數(shù)據(jù)庫上進(jìn)行10組實驗，即分別將每個人的第1,2,3,...,10幅共40幅人臉圖像作為訓(xùn)練樣本，而其余的360幅圖像作為測試樣本進(jìn)行分類識別，然后取其平均識別率，測試結(jié)果如表1所示。以下(2D)2PCA方法中行方向降維維數(shù)為10，即只對其列方向維數(shù)做變化。 不同的特征提取方法的確會對系統(tǒng)識別率的提高有一定的影響，為了驗證本文方法識別率的提高不僅僅依賴于(2D)2PCA特征提取方法的選擇，而是由于鏡像人臉圖像樣本的增加，實驗中分別對單樣本PCA算法、SVD+PCA算法、SVD+2DPCA算法、SVD+(2D)2PCA算法以及本文算法在ORL人臉庫上，同樣分別將每個人的第1,2,3,...,10幅圖像作為訓(xùn)練人臉圖像，而將其余的360幅作為測試樣本，取同一特征向量維數(shù)下的10組實驗的平均識別率作為其最終識別率，測試結(jié)果如圖3所示。 同時，為了比較各參考文獻(xiàn)方法和本文方法在不同測試樣本數(shù)目情況下的穩(wěn)定性，做如下的測試實驗：在ORL人臉庫上分別取每個人的第1,2,3,...，10張圖像作為訓(xùn)練樣本，分10組實驗，同時在每組實驗中分別以除訓(xùn)練樣本以外的前2,3,4,...，9張圖像作為測試樣本，計算每組實驗的平均識別率，實驗結(jié)果如圖4所示。 2.3 實驗結(jié)果分析 由表1可以看出，在不同的訓(xùn)練樣本條件下，本文提出的方法的識別效果明顯高于參考文獻(xiàn)中提出的其他幾種方法，這主要是由于加入鏡像信息后可以減小由于姿態(tài)變化對人臉識別的影響。從圖3中的實驗數(shù)據(jù)也可以看出SVD+2DPCA和SVD+(2D)2PCA方法在特征維數(shù)增大時，兩種方法的識別效果差不多，但是都不如本文所提方法，而且由SVD+(2D)2PCA方法和本文方法的比較曲線可以得知,本文方法識別率的提高主要是依賴于人臉圖像鏡像信息的加入，而不是僅僅由于(2D)2PCA特征提取方法的選擇。由圖4可知，隨著測試樣本個數(shù)的增加，特別是PCA方法的識別率較低而且其穩(wěn)定性較弱，與SVD+2DPCA以及SVD+(2D)2PCA方法相比，本文所提方法在保證識別率高于其他方法的同時，也表現(xiàn)出了較強(qiáng)的穩(wěn)定性。 通過對原始人臉圖像增加鏡像圖像來擴(kuò)充訓(xùn)練人臉樣本數(shù),提出了一種基于鏡像奇異值分解的新方法。實驗表明，與其他單樣本人臉識別方法相比,本文所提出的方法具有較高的識別率，在一定程度上克服了由于人臉姿態(tài)的變化對識別結(jié)果的影響,并取得了較好的識別效果。但是，現(xiàn)有的基于單樣本人臉識別的方法其識別率一般都不高,有效算法的提出還有待進(jìn)一步的研究。 |
