摘 要： 采用基于非線性核空間的主分量分析法（KPCA)和線性主元空間鑒別分析法(LDA)相結(jié)合的算法，首先將人臉圖像在非線性高維空間中進(jìn)行主成分分量降維，然后采用基于主元空間的LDA方法對(duì)子空間再度降維，同時(shí)利用歐式距離分類器(KNN)對(duì)樣本進(jìn)行有效的分類識(shí)別。采用Matlab和ORL人臉庫(kù)對(duì)該算法進(jìn)行驗(yàn)證，實(shí)驗(yàn)證明，該算法識(shí)別性能顯著提高，明顯優(yōu)于其他算法。
關(guān)鍵詞： PCA; LDA; KPCA; 核函數(shù)； 歐氏距離分類； ORL人臉庫(kù)
近些年,人臉識(shí)別已成為計(jì)算機(jī)視覺(jué)和模式識(shí)別領(lǐng)域中的熱門課題，有著廣闊的應(yīng)用前景。眾所周知，人臉識(shí)別是典型的高維數(shù)據(jù)分類問(wèn)題，即人臉的原始特征對(duì)應(yīng)高維空間中矩陣數(shù)據(jù)的圖像，然而在人臉識(shí)別中直接應(yīng)用這些數(shù)據(jù)會(huì)使計(jì)算速度明顯降低，不利于現(xiàn)代科學(xué)領(lǐng)域?qū)θ四樧R(shí)別速度和精度的要求?，F(xiàn)今人臉識(shí)別領(lǐng)域中面臨的問(wèn)題是提取什么樣的特征利于分類器的分類以及如何減少高維數(shù)據(jù)的運(yùn)算等。迄今為止，線性子空間方法在特征提取中得到了廣泛的發(fā)展，其中主成分分析(PCA)[1]和線性鑒別分析(LDA)[2]方法是人臉識(shí)別中廣為采用的基本方法。盡管這些子空間方法在人臉識(shí)別中得到了比較成功的應(yīng)用，但人臉表觀由于受外在和內(nèi)在因素的影響，如臉部表情、臉部姿態(tài)(或照相機(jī)視角)、光照以及人臉形狀和皮膚的反射特性等，人臉空間更可能存在于非線性子空間上。
近十年來(lái)，核函數(shù)技術(shù)在模式識(shí)別領(lǐng)域中得到了迅猛的發(fā)展。SCHFILKOPF 等利用核技術(shù)將經(jīng)典的主分量分析(PCA)推廣到核主分量分析(KPCA) [3],實(shí)驗(yàn)結(jié)果表明，KPCA不僅能夠抽取非線性特征，而且具有更優(yōu)的識(shí)別結(jié)果。
受KPCA的啟發(fā)，本文首先采用KPCA方法，將高維圖像投影到低維的子空間中，然后在子空間中進(jìn)一步采用基于主元空間的線性鑒別分析（LDA）和歐氏距離最近鄰分類(KNN)相結(jié)合的方法，有效地利用了人臉的非線性信息，同時(shí)兩次投影之后，提高了計(jì)算機(jī)的識(shí)別速率和準(zhǔn)確率。
1主成分分析方法的實(shí)現(xiàn)
1.1基本PCA方法
PCA的主要思想是尋找一組單位正交向量基，用其線性組合重構(gòu)原樣本，使得重構(gòu)后的樣本和原樣本的均方誤差最小[4]。在實(shí)際計(jì)算中，通過(guò)求取樣本投影之后的協(xié)方差矩陣的特征值和特征向量對(duì)樣本進(jìn)行描述，以達(dá)到降低特征空間維數(shù)的目的，具體如下：
這樣Y就是X經(jīng)PCA變換后得到的特征子空間,達(dá)到將訓(xùn)練樣本從高維空間降到低維子空間的目的。
1.2 KPCA方法的實(shí)現(xiàn)
PCA是最基本的無(wú)監(jiān)督線性子空間降維方法，且由上述可知，PCA通過(guò)選取最優(yōu)特征向量基Wr獲得最佳投影子空間。但PCA是線性方法，只能揭示人臉圖像中的線性信息，忽略了數(shù)據(jù)中的非線性信息。20世紀(jì)90年代以來(lái)，基于核的非線性特征提取法得到了發(fā)展，該方法有效地利用了人臉圖像的非線性信息[5]。本文通過(guò)核映射將樣本數(shù)據(jù)映射到核空間中，然后在核空間中運(yùn)用PCA法對(duì)高維空間中的人臉信息進(jìn)行非線性操作，進(jìn)而投影到線性低維子空間中。該方法稱為核主成分分析法,即KPCA。具體方法如下：
3 算法描述
本文采用Matlab仿真工具對(duì)算法進(jìn)行仿真，驗(yàn)證各算法的實(shí)現(xiàn)效果。訓(xùn)練樣本和測(cè)試樣本均采用ORL人臉庫(kù)，該庫(kù)由40人組成，每人由10幅112×92的圖像組成 。具體算法實(shí)現(xiàn)過(guò)程如圖1所示。
(1) 讀入ORL人臉庫(kù)圖像，為了提高運(yùn)算速度，降低圖像維數(shù)，適當(dāng)調(diào)節(jié)圖片大小。隨機(jī)選取每人的5幅圖像作為訓(xùn)練樣本，其余的5幅圖像作為測(cè)試樣本。即200幅訓(xùn)練樣本圖像，200幅測(cè)試樣本圖像。
4 實(shí)驗(yàn)結(jié)果分析
4.1核空間參數(shù)的選取
核參數(shù)α的選取及實(shí)現(xiàn)結(jié)果如表1所示。
4.2 Matlab仿真效果圖
(1)利用KPCA對(duì)訓(xùn)練樣本圖像首次投影后得到的特征臉如圖2所示。
(2) 采用LDA再次降維并用KNN分類，最終得到的識(shí)別對(duì)比效果圖如3所示。
4.3 各種算法的對(duì)比
本文在ORL人臉庫(kù)下，應(yīng)用Matlab分別驗(yàn)證了基本PCA、主元空間LDA、PCA+LDA、KPCA、KPCA+LDA以及KPCA+LDA+KNN等算法的識(shí)別率、投影向量個(gè)數(shù)、訓(xùn)練時(shí)間、測(cè)試時(shí)間等各項(xiàng)指標(biāo),具體結(jié)果如表2所示。
由表2可以看出，采用基于KPCA+LDA+KNN算法的人臉識(shí)別率和其他各項(xiàng)指標(biāo)皆明顯高于其余五種方法，這主要是因?yàn)椴捎肒PCA可以更好地分析圖像空間中的非線性關(guān)系，比起只采用線性PCA和線性LDA方法明顯減少了人臉高維空間中信息的丟失。同時(shí)利用基于主元空間LDA的方法，加之KNN最近鄰分類器的使用,有效地降低了投影向量個(gè)數(shù)，加快了計(jì)算速度。
本文提出的KPCA+LDA+KNN算法中,不但采用了非線性子空間降維方法，同時(shí)采用了基于主元空間LDA的方法，加之融入歐氏距離最近鄰分類器的方法，從而改善了人臉識(shí)別的效果。本文提出的算法不僅能夠使高度復(fù)雜和非線性的原始樣本線性化、簡(jiǎn)單化， 而且能夠使樣本特征之間的冗余信息明顯降低，防止有用信息的丟失[9]。最后本文在ORL人臉庫(kù)下，應(yīng)用Matlab驗(yàn)證了該算法的有效性，但是不同核函數(shù)的選取以及不同分類器的使用對(duì)提高該算法的識(shí)別性是否有效，有待于進(jìn)一步的研究[10]。
參考文獻(xiàn)
[1] BATUR A U, HAYES M H I. Linear subspaces for illumi2 nation robust face recognition[A]. Proceedings of the 2001 IEEE Computer Society Conference on Computer Vision and Pattern Recognition[C].2001,02:296-301.
[2] SHAKUNAGA T,SHIGENARI K.Decomposed eigenface for face recognition under various lighting conditions[A]. Proceedings of the 2001 IEEE Computer Society Conference on Computer Vision and Pattern Recognition [C].2001,01(1):864-871.
[3] LIU C J, HARRY W. Enhanced fisher linear discriminant models for face recognition.140Inter.ConL on Pattern Reco gnition.ICPR’98,Queensland,ustralia'V01.II,PP[M].1998: 1368-1372.
[4] 鐘向陽(yáng),胡仕明.基于主分量線性判別方法人臉識(shí)別系統(tǒng)的實(shí)現(xiàn)[J].嘉應(yīng)學(xué)院學(xué)報(bào)(自然科學(xué)),2006,24(3):832-887.
[5] SEHOLKOPF B, SMOLA A, MULLER K R.Kernel principal component analysis[A].In:W.Gerstner,edi:Proceedings of International Conference on Artificial Neural Networks Lecture Notes in Computer Science[C]. Berlin:Springer,1997, 1327:583-588.
[6] ROTH V,STEINHAGE V. Nonlinear diseriminant analysis using kernel functions[A]. In:Solla S A,Leen T K,Muller K.R, editors.Advance in Neural information Processing Systems 12[C]. Cambridge,MA,USA: MIT Press,2000:568-574.
[7] CHEN L, IIAO H, KOM,et a1. Anew LDA based face recognition system which can solve the small sample size problem[J]. Pattern Recognition,2000,(33):1713-1726.
[8] YANG Jian, FRANGI A F, YANG Jing Yu, et a1. KPCA Plus LDA: acomplete kernel fisher discriminant framework for feature extraction and recognition[J].IEEE Transactions on Pattern Analysis Machine Intelligence, 2005,27 (2):230-244.
[9] 王婷,楊國(guó)勝,薛長(zhǎng)松.若干人臉識(shí)別算法的比較研究[J].河南大學(xué)學(xué)報(bào)(自然科學(xué)版),2007,37(2):192-194.
[10] GUNTURK B K, BATUR A U, ALTUNBASAK Y, et al. Eigenface-based super-resolution for face recognition [A]. Proceedings.International Conference on Image Processing[C].2002,(2):845-848.