基于鏡像奇異值分解的單樣本人臉識別技術(shù)

　　摘 要： 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(shí),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(shí),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(shí)驗(yàn)表明，在對人臉圖像進(jìn)行識別時(shí)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(jì)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)[3]、雙方向的二維主成分分析[4]和線性鑒別分析LDA(Linear Discriminant Analysis)[5]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(shí)才能取得較好的識別效果。然而在一些特殊場合，如法律實(shí)施、海關(guān)護(hù)照驗(yàn)證和身份證驗(yàn)證等，每類(人)只能得到一幅圖像，此時(shí)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)[6]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(gè)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(gè)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(gè)變化越大，算法的識別誤差也越大?；诖耍疚奶岢隽艘环N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(gè)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(shí)驗(yàn)結(jié)果表明，該方法比參考文獻(xiàn)[6]中的方法有更好的識別性能。

1 方法的思想與實(shí)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[7]，則此時(shí)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(gè)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(shí)，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(shí)，在測試時(shí)，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(shí)驗(yàn)結(jié)果及分析

　　2.1 實(shí)驗(yàn)所用人臉庫

　　本實(shí)驗(yàn)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(shí)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(shí)驗(yàn)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)[6]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(shí)驗(yàn)，即分別將每個(gè)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。