文獻(xiàn)標(biāo)識碼： A
DOI：10.16157/j.issn.0258-7998.2015.10.044
中文引用格式： 周先春，唐娟，汪美玲，等. 曲率與小波輪廓增強(qiáng)的人臉識別算法[J].電子技術(shù)應(yīng)用，2015，41(10)：161-164.
英文引用格式： Zhou Xianchun，Tang Juan，Wang Meiling，et al. Face recognition algorithm based on curvature and wavelet contour enhanced[J].Application of Electronic Technique，2015，41(10)：161-164.
0 引言
人臉識別具有廣泛的應(yīng)用價值，主要包括：主成分分析法[1]、線性判別分析法[2]、獨(dú)立主元分析[3]和支持向量機(jī)(SVM)[4]方法等。然而，當(dāng)光照、表情和遮擋不同時，這些方法的識別率和魯棒性會大大降低。為了提高識別方法的魯棒性，Wright等將稀疏表示(Sparse Representation-based Classifier，SRC)推廣應(yīng)用到人臉識別中，提出了稀疏表示的人臉識別算法及一些擴(kuò)展算法[5]。2012年DENG W H等[6]提出了擴(kuò)展SRC算法，提高了識別性能；Xu Yong等[7]提出了二重測試樣本稀疏表示方法；Lai Jian等[8]提出了模塊加權(quán)的稀疏表示人臉識別等。雖然基于稀疏表示的人臉識別算法得到了廣泛應(yīng)用[9]，但該算法是通過求解l1范數(shù)最小值問題來進(jìn)行識別，由于實(shí)際應(yīng)用中每個人的人臉數(shù)據(jù)有限，會存在“維數(shù)災(zāi)難”的問題，因此Min Rui等[10]對此作出了改進(jìn)，但該算法在非約束條件下，魯棒性降低。
本文利用了水平集曲率及SRC的優(yōu)點(diǎn)，提出了一種曲率與小波輪廓增強(qiáng)的人臉識別算法，該算法充分利用了水平集曲率的性質(zhì)、人臉圖像輪廓的不變性和人臉圖像輪廓對光照的不敏感性，在稀疏表示現(xiàn)有的理論基礎(chǔ)上，提高了非約束性人臉的識別率，增強(qiáng)了識別系統(tǒng)的魯棒性。
1 基于曲率與小波的人臉特征提取
1.1 水平集曲率
由于曲率?資是切矢量T(s)的旋轉(zhuǎn)角速度，同時也是法矢量N(s)的旋轉(zhuǎn)角速度，則：
I與水平集的切矢量相垂直，即與水平集的法矢量平行。另一方面，根據(jù)式(5)，梯度矢量總是指向I值增大的方向，所以水平集的單位法矢量可表示為：
一般約定式(6)取負(fù)號，把式(6)代入式(3)中，便可求得函數(shù)I(x，y)水平集曲率為
1.2 特征提取
本文算法過程如下：
(1)檢測：將水平集曲率作為一個檢測因子，檢測圖像的輪廓。為檢測圖像的整體結(jié)構(gòu)，建立結(jié)構(gòu)控制函數(shù)：
其中，f是以圖像I的曲率為自變量的結(jié)構(gòu)函數(shù)，它的作用在于檢測圖像整體結(jié)構(gòu)，如圖1所示。為得到圖像的整體輪廓，進(jìn)一步建立融合輪廓分布模型：
式中，輪廓分布圖像，I是原始圖像，可通過擬合得到稀疏系數(shù)，式(9)可得到原圖像與輪廓相融合的圖像，如圖2所示。
(2)增強(qiáng)：用小波對圖像進(jìn)行分解，本文設(shè)定圖像的高頻系數(shù)為350，若大于該高頻系數(shù)，則使高頻系數(shù)增大為原來的2倍，否則縮小為原來的一半，以此來突出圖像的輪廓與整體結(jié)構(gòu)，弱化細(xì)節(jié)，如圖3所示。
圖3表明，處理后的增強(qiáng)圖像的直方圖的峰值出現(xiàn)在直方圖的較右部分，圖像較亮，可有效地增強(qiáng)人臉的整體輪廓，從而避免了人臉識別中光照、人臉表情和一些遮擋物的影響。
(3)提?。河肞CA方法提取輪廓增強(qiáng)圖的特征，如圖4所示。
2 稀疏表示的分類識別
對訓(xùn)練樣本與測試樣本用上述方法做特征提取后，歸一化處理，得到訓(xùn)練樣本，可表示為：
故同一類別的測試樣本向量被訓(xùn)練樣本線性組合為：
y=ai，1 vi，1+ai，2 vi，2+…+ai，j vi，j(11)
式中，ai，j∈R，j=1，2，…，ni，ai，j表示樣本的系數(shù)。
在實(shí)際中，由于測試樣本的類別是未知的，因此可將訓(xùn)練樣本組合在一起形成一個訓(xùn)練集矩陣A：
求解C，得到該矩陣的特征向量，選取該矩陣的最大特征值對應(yīng)的特征向量，得到特征子空間Z，計(jì)算訓(xùn)練樣本在Z中的投影向量，將投影后的向量生成冗余字典。
在降維之后，為了計(jì)算稀疏表示系數(shù)x，需要求解最小l0范數(shù)問題，但該范數(shù)是一個Np-hard問題，難以直接求解。Donoho等人指出，可通過求解如下的凸優(yōu)化問題，正確恢復(fù)稀疏矢量x：
式中，為所求稀疏表示系數(shù)，用于分類識別。
下面給出本文算法的流程圖，如圖5所示。
3 實(shí)驗(yàn)結(jié)果與分析
本文所用的數(shù)據(jù)集來自著名的ORL人臉庫，ORL數(shù)據(jù)庫共有400幅人臉圖像(40人，每人10幅)。在實(shí)驗(yàn)過程中將人臉庫中的圖像分成兩部分，每部分5張圖像，一部分作為訓(xùn)練圖像，一部分作為測試圖像，實(shí)驗(yàn)結(jié)果如表1和圖6所示。
由表1可知，本文提出的算法與PCA算法、SRC算法、PCA&SRC算法相比，識別率最高提高了18.5%。觀察圖6，隨著訓(xùn)練樣本數(shù)的增加，本文算法的識別率能夠穩(wěn)定的增加，最高能夠達(dá)到98.50%，而PCA算法、SRC算法、PCA&SRC算法的識別率隨著訓(xùn)練樣本的增加出現(xiàn)下降的趨勢，故本文算法的識別系統(tǒng)魯棒性較其他算法好。
4 結(jié)論
基于ORL人臉庫的仿真結(jié)果表明，本文所提算法提高了人臉識別率，識別系統(tǒng)魯棒性較其它算法好。本文算法綜合了PCA和SRC算法的優(yōu)點(diǎn)，并基于曲率和小波對圖像輪廓進(jìn)行了增強(qiáng)，將形態(tài)學(xué)特征應(yīng)用到人臉識別中，豐富了人臉識別的內(nèi)容的人臉識別算法。利用了輪廓不變性及輪廓對光照的不敏感性，以及小波增強(qiáng)圖像的整體輪廓，增強(qiáng)了算法的魯棒性。
參考文獻(xiàn)
[1] 溫浩，盧朝陽，高全學(xué).融合小換波變和張量PCA的人臉識別算法[J].西安電子科技大學(xué)，2009，36(4)：602-607.
[2] 余冰，金連甫，陳平.利用標(biāo)準(zhǔn)化LDA進(jìn)行人臉識別[J].計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)報，2003，15(3)：302-306.
[3] 范群貞，劉金清.基于PCA/ICA的人臉特征提取新方法[J].電子測量技術(shù)，2010，33(8)：31-34.
[4] TAN Y，WANG J.A support vector machine with a hybrid kernel and minimal Vapnik-Chervonenkis dimension[J].IEEE Transactions on Knowledge and Data Engineering，2004，16(4)：385-395.
[5] WRIGHT J，MA Y，MAIRAL J，et al.Sparse representation computer vision and pattern recognition[J].Proceedings of the IEEE，2010，98(6)：1031-1044.
[6] DENG W H，HU J，GUO J.Extended SRC：Undersampled face recognition via Intra-Class variant dictionary[J].IEEE Transaction on Pattern Analysis and Machine Intelligence，2012，34(9)：1864-1870.
[7] Xu Yong，Zhang David，Yang Jian，et al.A two-phase test sample sparse representation method for use with face recognition[J].IEEE Transactions on Circuits and Systems for Video Technology，2011，21(9)：1255-1262.
[8] Lai Jian，Jiang Xudong.Modular weighted global sparse representation for robust face recognition[J].IEEE Signal processing letters，2012，19(9)：571-574.
[9] Yang Meng，Zhang Lei，F(xiàn)eng Xiangchu，et al.Fisher discri-mination dictionary learning for sparse representation[C].Proceedings of Computer Vision(ICCV)，2011 IEEE International Conference on.Los Alamitos：IEEE Computer Society Press，2011：543-550.
[10] Min Rui，DUGELAY J L.Improved combination of LBP and sparse representation based classifycation(ARC) for face recognition[C].Proceedings of Multimedia and Expo(ICME)，2011 IEEE International Conference on.Los Alamitos：IEEE Computer Society Press，2011：1-6.