基于D-LLE算法和图像分块的人脸识别方法
2017-08-12丁娇
丁 娇
（安徽信息工程学院，安徽 芜湖 241000）
基于D-LLE算法和图像分块的人脸识别方法
丁 娇
（安徽信息工程学院，安徽 芜湖 241000）
人脸识别是当前计算机视觉领域的一个研究热点，在日常生活中的应用也非常广泛。近年来，流形被认为是视觉感知的基础，利用流形学习算法可以寻找图像的内在特征。文章提出一种基于差异性值监督LLE（D-LLE）算法和图像分块的人脸识别方法，首先对提取的人脸图像进行分块，然后利用D-LLE算法进行人脸子图像集特征提取，最后使用最近邻分类器进行人脸图像识别。通过与现有人脸识别方法进行仿真结果比较，该方法能够取得较好的识别效果。
人脸识别；差异性值监督LLE算法；特征提取；图像分块；最近邻分类器
生物识别是指计算机、各种传感器和生物统计学的组合，主要识别人体的固有生物特性。生物识别技术[1]主要包括指纹识别、虹膜识别、人脸识别、语音识别等。近年来，随着计算机安全技术的快速发展，生物识别技术的应用越来越广泛，如国防、金融、商业等领域。
人脸识别主要是指在视频或图像中能够自动进行人脸识别，广泛应用于如身份识别、视频会议、视频监控和视频检索等领域。人脸识别相对于虹膜识别和指纹识别，具有识别友好、易于接受、难以伪造、成本低等优势，因此具有非常重要的理论和实践价值。人脸识别系统有两个不可或缺的部分：特征提取和分类识别。首先提取代表人脸的原始特征信息，并加以处理，然后分类识别处理后的有用特征信息，最终进行人脸图像的类别信息确定。
由于人脸识别技术在日常生活中应用越来越广泛，对人脸识别需要的时间以及准确度就有着越来越高的要求。为了降低分类器处理人脸高维特征数据的计算量，缩短识别时间，研究人员[2-8]将流形学习算法应用于人脸识别技术。流形学习算法主要是从现存的高维数据集中挖掘出潜在的低维空间结构，实现高维特征数据的降维。而监督流形学习算法首先对已知类别信息的训练样本进行学习，因此更有利于样本的分类识别。同时，为了提高人脸图像识别的准确率，需要采用有效的方法进行人脸图像特征信息的获取，因此，本文提出一种基于监督流形学习算法和图像分块的人脸识别方法，首先对提取的人脸图像进行分块，然后利用监督流形学习算法进行人脸子图像集特征提取，最后使用最近邻分类器进行人脸图像识别。通过与现有人脸识别方法进行仿真结果比较，本文提出的方法能够取得较好的人脸图像识别率。
1 人脸识别技术
人脸识别技术主要包括两个研究方向：基于局部特征的人脸识别和基于全局特征的人脸识别。基于全局特征的人脸识别方法将整幅人脸图像作为一个二维数字矩阵，对该高维样本矩阵进行降维，提取具有代表性的低维有效特征，最后进行低维特征参数的分类；基于局部特征的人脸识别方法则有效地区分人脸局部特征，例如，眼睛、鼻子的位置、大小和形状，提取局部特征信息，然后进行数据的降维以及分类识别。通过局部特征完成人脸识别，可以把人脸的局部变化控制在局部范围，使之对全局影响较小，从而增加识别的鲁棒性，也在一定程度上降低了计算的复杂度。因此，本文采用基于局部特征的人脸识别方法完成人脸图像识别。
典型的人脸识别方法主要由图像预处理、人脸特征提取和分类识别三部分组成。图1所示为人脸识别过程。
图1 人脸识别过程
2 差异性值监督LLE（D-LLE）算法
2.1 流形及流形学习
“流形（Manifold）”是现代数学中一个重要概念。它集成了大量的数学知识，如代数、几何、拓扑等，是二十世纪最具代表性的数学理论。“流形”最早由黎曼提出，然后由希尔伯特对其进行精确数学描述。
流形定义[9]：设M是一个拓扑空间，如果它满足下面的性质：若x∈M，则存在x的邻域U以及整数d≥0，使得U同胚于欧氏空间Rd，则称M为d维的拓扑流形。
流形学习定义[10]：存在一个高维数据集X＝{x1，x2，…，xn}⊂RD，设该数据集中的所有样本是由低维空间中数据集 Y＝ {y1，y2，…，yn}⊂Rd，通过某未知的非线性映射 f产生，其中，xi=f（yi）+ εi，εi为噪声，d< 2.2 差异性值监督LLE（D-LLE）算法 记 X＝ {x1，x2，…，xn}⊂RD，为采样得到的训练数据集，D-LLE算法[13]具体步骤为： 1）逐个计算训练数据集X中的样本点x1与其它样本点之间的欧式距离之和，并将参数β的值设置为所有样本点之间欧式距离之和平均值； 2）由公式 （1）计算样本的差异性值，并对样本集中每个样本点的差异性值进行排序；设定近邻点个数为K，选定差异值较小的样本点作为该样本点的K个近邻点。 其中，α =0.25。 3）由样本点xi与其K个近邻点计算加权局部重构权值矩阵W。样本点xi权值矩阵W是由Wij构成，其中Wij表示样本点xi与其第j个近邻点xj的权值，且满足所有样本点的权值之和为1，如公式（2）所示： 当xj不是xi的近邻点时，Wij为0。 权值矩阵W应满足重构误差函数ε（W）最小，ε（W）由公式 （3）计算得出； 4）由公式（4）和公式（5）计算样本点 xi的重要性值Dii； 式 （5）中，λ为调节参数。 5）yi表示样本点xi在低维空间的映射，其计算方法为：Wij保持不变的前提下，使得加权误差函数 εi（W）最小，εi（W）由公式（6）计算得出，低维映射 yi∈Rd（d＜＜D）还应满足公式（8）所示约束条件， 6）计算训练样本集X对应的低维映射Y，具体计算过程为：先计算稀疏矩阵M的特征值，选定较小的（d+1）个特征值并计算出对应的特征向量构成为Y；由于第一个特征值几乎为零，所以Y实际为X的2～d+1个特征值对应的特征向量。 7）计算测试样本TestX的低维映射TestY。具体过程为：寻找测试样本点Xnew在训练样本集中的K个近邻点；重复步骤 3）—6）计算出测试样本点Xnew的低维映射，如公式（9）所示： 本文提出一种基于D-LLE算法和图像分块的人脸识别方法，首先对提取的人脸图像进行分块，然后利用D-LLE算法进行人脸子图像集特征提取，最后使用最近邻分类器进行人脸图像识别。该方法具体流程如图2所示。 图2 基于D-LLE算法和图像分块的人脸识别方法流程图 3.1 图像分块 在对人脸图像进行识别的过程中，最常用的图像预处理操作是将人脸图像进行子模块划分。而图像划分的方法有很多种：根据图像内容特性划分；根据图像灰度划分；使用简单的几何方式进行图像分割。 本文首先将提取的人脸图像分为大小相等和互不重叠的子图像，该图像划分方法简单易行，子图像的大小则可以通过实验确定最佳参数。本文将每幅人脸图像均分成25个子图像块，每幅人脸图像中对应位置的子图像构成子图像集合，由于图像被划分成了25个子块，因此总共有25个子图像集，即I=25。图像分块处理过程如图3所示。 图3 图像分块过程 3.2 图像特征提取 对所有完整的人脸图像进行分块，可以得到多个子图像集，即人脸图像的原始高维特征数据，为了能够快速识别待测对象，本文采用DLLE算法对获得的高维人脸特征信息进行降维。使用D-LLE对子图像集特征进行提取，一方面能够很好地解释子图像的非线性流形分布结构，另一方面，由于引入了样本图像的类别信息，因此有利于待测样本的分类识别。 设有N个训练人脸图像，即采样数据集为Xk＝ {xk1，xk2，…，xkN}，k=1，2， …I表示样本中第 K个子图像构成的训练集合，每个图像被划分为I个子图像，Yk＝ {yk1，yk2，…，ykN}表示相应的低维嵌入表示。 通过D-LLE监督流形学习算法对高维子图像集特征进行投影，从而得到子图像集的低维特征。 3.3 分类识别 由于一幅人脸图像被划分成均等的25个子图像，因此需要向所求的25个特征空间进行投影，故应该存在25个分类结果。本文采用最近邻分类器结合投票机制来决定每个待测样本的类别信息，从而完成人脸图像的识别。 3.4 实验结果分析 将本文提出方法（SubD-LLE）与现有方法PCA、LLE、SubLLE和SubPCA等进行实验比较。其中，SubPCA是基于PCA和图像分块的人脸识别方法，SubLLE是基于LLE和图像分块的人脸识别方法。 实验所用人脸图像全部来源于Yale数据库，该数据库由耶鲁大学创建，库中包含了15个人共165张人脸图像。本文选取的人脸图像如图4所示，图像内容从左到右依次改变，包括微笑、高兴、悲伤、恐惧、惊喜等表情，以及佩戴或不佩戴眼镜。 图4 Yale数据库同一个人的人脸图像 图5 Yale数据库人脸识别率和相应嵌入维数 实验中，我们对库中每个对象随机选择其中六幅人脸图像形成训练样本集，剩余五幅则构成测试样本集，因此，采用90幅人脸图像进行训练，75幅人脸图像用于测试。首先对所有人脸图像进行预处理，将其分割为100×100尺寸大小，然后再将预处理后的人脸图像分成大小相等的25块子图像。在识别的过程中，随机选择其中20次识别结果，然后将这20次识别结果的平均值作为待测样本图像最终的识别结果。实验过程中，对于LLE、SubLLE和SubD-LLE算法，邻域参数k取值为7。 各种算法对人脸图像识别结果如图5所示，可以看出，SubD-LLE算法的识别性能最好，因为该算法能够保持原始高维空间局部线性结构在低维空间的不变，同时还有效利用了样本的类别信息。 表1 各算法平均识别率 人脸识别是当前计算机视觉领域的一个研究热点，在日常生活中应用也越来越广泛。本文提出一种基于差异性值监督LLE（D-LLE）算法和图像分块的人脸识别方法，首先对提取的人脸图像进行分块，然后利用D-LLE算法进行人脸子图像集特征提取，最后使用最近邻分类器进行人脸图像识别。通过在Yale人脸数据库上进行仿真，并与现存类似算法进行比较，实验结果表明，本文提出的方法能够很好地识别人脸图像，由此可见，文中所提方法具备一定的有效性和可行性。 [1]王淑艳.有监督流形学习在人脸识别中的应用研究[D].长春:东北师范大学，2010. [2]汪炼.基于半监督流形学习的人脸识别算法研究[D].合肥:安徽大学，2010. [3]李小丽，陈锻生.基于LLE+LDA的人脸识别方法[J].计算机应用，2007，（S2）:85-86. [4]邹云波，余昌勤，李小彦.基于LLE和PCA的人脸识别算法研究[J].云南民族大学学报（自然科学版），2013，（S1）:58-61. [5]陈高曙，曾庆宁.基于LLE算法的人脸识别方法[J].计算机应用研究，2007，（10）:176-177. [6]王婷，杨国胜，薛长松.若干人脸识别算法的比较研究[J].河南大学学报（自然科学版)，2007，（02）:91-193. [7]韩争胜，李映，张艳宁.基于LDA算法的人脸识别方法的比较研究[J].微电子学与计算机，2005，（7）:131-133. [8]谢永林.LDA算法及其在人脸识别中的应用[J].计算机工程与应用，2010，（19）:189-192. [9]雷迎科.流形学习算法及其应用研究[D].合肥:中国科学技术大学，2011. [10]周志华，王珏.机器学习[M].北京:清华大学出版社，2007. [11]ROWEIS S T，SAUL L K.Nonlinear dimensionality reduction by locally linear embedding[J].Science，2000，（5500）:2323-2326. [12]TENENBAUM J B，SILVA V，LANGFORD J C.A global geometric framework for nonlinear dimensionality reduction[J].Science，2000，（5500）:2319-2323. [13]丁娇，梁栋，阎庆.基于D-LLE算法的多特征植物叶片图像识别方法[J].计算机工程与应用，2015，（9）:158-163. A STUDY OF FACE RECOGNITION METHOD BASED ON D-LLE ALGORITHM AND IMAGE BLOCK DING Jiao Face recognition is a hot research topic in the field of computer vision,and its application in daily life is also very extensive.In recent years,the manifold is considered to be the basis of visual perception.Manifold learning algorithm can be used to find the inherent characteristics of the images.This paper proposes a face recognition method based on dissimilarity–supervised locally linear embedding algorithm and image block.At first,the the extracted facial images are divided into blocks,and then D-LLE algorithm is used to extract features of face sub-images,finally the nearest neighbor classifier is applied to identify the face images.Compared with the existing face recognition methods,the proposed approach can achieve better recognition effect. Facerecognition；Dissimilarity-supervisedLLEalgorithm；Featureextraction;Imageblock；Nearestneighborclassifier TP391 A ：1672-2868（2017）03-0055-06 责任编辑：陈 侃 2017-03-10 安徽省省级特色（品牌）专业（项目编号：2016tszy044） 丁娇（1989-），女，安徽铜陵人。安徽信息工程学院，助教。研究方向：模式识别。
3 基于D-LLE算法和图像分块的人脸识别方法
4 总结
（Anhui Institute of Information Technology，Wuhu Anhui 241000）
