基于主动表观模型的稀疏聚类人脸识别算法.pdf

《基于主动表观模型的稀疏聚类人脸识别算法.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

JournalofComputerApplicationsISSN1001．90812015．07．10计算机应用，2015，35(7)：2051—2055C0DENJYIIDUhttp：／／www．joca．ca文章编号：1001-9081(2015)07—2051．05doi：10．11772／j．issn．1001—9081．2015．07．2051基于主动表观模型的稀疏聚类人脸识别算法费博雯，刘万军，邵良杉，刘大千，孙虎(辽宁工程技术大学软件学院，辽宁葫芦岛125105)(通信作者电子邮箱liuwanjun@lntu．edu．en)摘要：在复杂的非人脸成分干扰以及训练样本过大、训练样本之间相似度较高的条件下，原始稀疏表示分类(SRC)算法识别准确率较低。针对上述问题，提出一种基于主动表观模型的稀疏聚类(CS，AAM)人脸识别算法。首先，利用主动表观模型快速、准确地对人脸特征点进行定位，获取主要人脸信息；然后，对训练样本进行K-means聚类，将相似程度高的图像分为一类，计算聚类中心，将该中心作为原子构造过完备字典并进行稀疏分解；最后，计算稀疏系数和重构残差对人脸图像进行分类、识别。将该算法与最近邻(NN)、支持向量机(SVM)、稀疏表示分类(SRC)、协同表示分类(CRC)人脸识别算法在ORL和ExtendedYaleB人脸数据库上对不同样本数及不同维数的人脸图像分别进行识别率测试，在相同样本数或相同维数情况下CS—AAM算法识别率均高于其他算法。在ORL人脸库中选取样本数为210时，相同维数条件下CS-AAM算法识别率为95．2％；在ExtendedYaleB人脸库上选取样本数为600时，cs—AAM算法识别率为96．8％。实验结果表明，该算法能够有效地提高人脸图像的识别准确率。关键词：人脸识别；稀疏表示分类；主动表观模型；稀疏聚类；过完备字典中图分类号：TP391．413文献标志码：AFacerecognitionalgorithmbasedoncluster—sparseofactiveappearancemodelFEIBowen．LIUWaniun’。SHAOLiangshan，LIUDaqian．SUNHu(SoftwareEngineeringInstitute，LiaoningTechnicalUniversity,HuludaoLiaoning125105，China)Abstract：TherecognitionaccuracyrateoftraditionalSparseRepresentationClassification(SRC)algorithmisrelativelylowundertheinterferenceofcomplexnon—faceingredient，largetrainingsamplesetandhighsimilaritybetweenthetrainingsamples．Tosolvetheseproblems，anovelfacerecognitionalgorithmbasedonCluster—SparseofActiveAppearanceModal(CS-AAM)wasproposed．Firstly，ActiveAppearanceModel(AAM)rapidlyandaccuratelylocatefacialfeaturepointsandtogetthemaininformationoftheface．Secondly，K-meansclusteringwasrunonthetrainingsampleset。theimageswithhighsimilaritydegreewereassignedtoacategoryandtheclusteringcenterwascalculated．Then，thecenterwasusedasatomictostructureover-completedictionaryanddosparsedecomposition．Finally，faceimageswereclassifiedandrecognizedbycomputingsparsecoefficientsandreconstructionresiduals．ThefaceimageswithdifferentsamplesanddifferentdimensionsfromORLfacedatabaseandExtendedYaleBfacedatabaseweretestedforcomparingCS-AAMwithNearestNeighbor(NN)，Suppo~VectorMachine(SVM)，SparseRepresentationClassification(SRC)，andCollaborativeRepresentationClassification(CRC)．TherecognitionrateofCS—AAMalgorithmishigherthanotheralgorithmswiththesamesamplesorthesamedimensions．UnderthesamedimensionstherecognitionrateofCS—AAMis95．2％whentheselectednumberofsamplesis210onORLfacedatabase；therecognitionrateofCS—AAMis96．8％whentheselectednumberofsamplesis600onExtendedYaleBfacedatabase．Theexperimentalresultsdemonstratethattheproposedmethodhashigherrecognitionaccuracyrate．Keywords：facerecognition；SparseRepresentationClassification(SRC)；ActiveAppearanceModel(AAM)；sparseclustering；over—completedictionary配，从而达到身份识别的目的。这种技术具有非接触、直观性0引言突出、安全性高等技术优势，在人机交互、身份认证和信息安近年来，生物特征识别已经成为模式识别领域中的热点全等领域具有广阔的应用前景和研究价值，并且成为模式识问题，其中人脸识别技术作为实用性较高且应用较为广泛的别与人工智能研究领域中的经典课题之一J。图像识别技术之一，经过几十年的发展，取得了显著的成就。目前较为经典且应用较为广泛的人脸识别算法如主成分人脸识别是指使用计算机对人脸图像进行特征提取及特征匹分析法(PrincipleComponentAnalysis，PCA)J、二维主成分收稿日期：2014—12·3l：修回日期：2015-03-25。基金项目：国家自然科学基金资助项目(61172144)；辽宁省科技攻关计划项目(2012216026)。作者简介：费博雯(1991一)，女，辽宁抚顺人，硕士研究生，主要研究方向：图像处理、模式识别；刘万军(1959一)，男，辽宁北镇人，教授，博士生导师，CCF高级会员，主要研究方向：数字图像处理、运动目标检测与跟踪；邵良杉(1961一)，男，辽宁凌源人，教授，博士生导师，主要研究方向：数据挖掘；刘大千(1992一)，男，辽宁铁岭人，硕士研究生，主要研究方向：目标跟踪。 2052计算机应用第35卷分析法(Two—DimensionalPCA，2DPCA)、线性判别分析法标形状向量S可用特征向量线性表示：(LinearDiscriminantAnalysis，LDA)。。、独立成分分析法S=S+Pb(2)(IndependentComponentAnalysis，ICA)等都是基于特征子其中：S是目标平均形状向量；P为由主成分分析处理后的特空间的方法，其原理是找到一个线性或非线性的空间变换将征向量组成的矩阵；b是相应的形状参数。形状模型的更新其映射到图像的子空间，使得同一类数据之间关系更为紧凑，由平均形状和经PCA处理后获得的n个特征向量决定。易于分类。Vapnik等提出一种机器学习的方法，即支持向建立纹理模型与形状模型的方法相似。纹理模型通过量机(Suppo~VectorMachine，SVM)，后来该方法被应用于人PCA降维后同样可以获得m个纹理特征向量，并由纹理特征脸识别技术上并取得了一定的成功。Wiskott等提出弹性向量线性表示为：束图匹配(ElasticBunchGraphMatching，EBGM)的人脸识别A=+Qc(3)算法，使用标记图表示人脸图像，通过不同的人脸图像标记图其中：A是平均纹理；Q是由纹理特征向量组成的矩阵；c是之间的差异进行人脸对应部位的局部特征匹配和识别。上述相应的纹理参数。通过改变c的值使得纹理模型可以表示不方法都是针对人脸表观特征进行分析和识别，但是缺少在复同的人脸纹理。在完成形状模型和纹理模型的建立后，AAM杂条件下对人脸特征提取难度较大问题的考虑。当测试的人实例可以由形状模型参数和纹理模型参数表示。脸图像存在如光照、表情和姿态变化以及局部遮挡等问题时，1．2主动表观模型拟合识别率会明显下降。Wright等将稀疏表示分类(SparseAAM拟合需要计算模型实例与输入图像之间的匹配误RepresentationClassification，SRC)的方法用于人脸识别。其差值，通过更新模型参数使差值达到最小化，即：思想是对训练样本集进行特征抽取，构建过完备字典。当训argminIIj(W(；b))一A—Qc(4)练样本足够多时，测试样本可以由同类的训练样本线性表示，其中：W(；b)表示平均形状s对应的模型实例中像素在输即获得一个相关系数，通过相关系数进行分类从而达到识别入图像中所对应的像素点位置；，(W(；b))表示输入图像在的目的。虽然SRC算法具有较好的鲁棒性，但当人脸图像除该像素点的纹理值。目前针对AAM拟合使用较为广泛的算了主要用于提取和识别的信息外还存在其他成分信息如头法是反向组合算法，在b和C都等于0的情况下，对于反向组发、衣服和背景等因素，在构造字典并获得相关系数时会存在合算法每一次迭代，式(4)可以通过泰勒公式展开得到：一定的误差，降低了算法的准确性。此外，它仅仅是作为一种argminIIf—A+JoAb一(Ci+△c)(Q+．，△6)Il分类器，并没有在分类之前进行特征提取，而且当训练样本数￡=l量较大时，对于解Ll的最优化问题，即求解稀疏表示系数的(5)L1范数最小值问题，需要消耗大量的时间，降低了算法的实其中：是平均纹理向量的Jacobian矩阵；Ji是第i个纹理向时陆㈨。量的Jacobian矩阵。在省略二阶项后和△c的更新可以表针对上述问题，本文提出一种基于主动表观模型的稀疏示为：聚类(Cluster—SparseofActiveAppearanceModel，CS—AAM)人argminl，一A—Ac—Ahc—JAbIl(6)脸识别算法。该算法利用一种改进的主动表观模型(ActiveAppearanceModel，AAM)对图像中人脸特征点进行标定，将形其中l，=Jo+∑c．，。反向组合算法的模型参数更新表示状模型与纹理模型相结合，该模型可以在复杂条件下摒弃其为：他干扰信息，只保留易于分类和识别的有效人脸信息。对标Ab=H，(1一一Qc)(7)定好的人脸图像进行稀疏表示分类，通过K-means聚类方法其中口是Hessian矩阵。但是，反向组合算法只考虑了模型减少训练数据的类别，用一个聚类中心表示一个特定的类，从参数的迭代过程中的更新问题，而忽略了在每一次迭代过程聚类中心提取出的特征向量保存在一个单独的训练矩阵中。中同样需要重新计算纹理参数的值。为了进一步提高AAM将这些训练矩阵构造字典，获得相关系数进行分类和识别。拟合的准确性，本文对式(6)中纹理参数△c求最优解，令△c在ORL人脸数据库和ExtendedYaleB人脸数据库进行了大的导数等于0，从而得到△c的更新可以表示为：量的实验，证明该算法有较高的识别率和良好的鲁棒性。Ac=A(J—A—Qc—Jab)(8)为了解决特征矩阵的子空间正交的问题，定义一个投影1主动表观模型算法运算P=E—QQ，因此，一A—Qc=【If—A。从式近些年来，AAMl12]在计算机视觉研究领域中应用较为广(8)可以看出，求△c的最优解问题可以转化成为求△6的最优泛，是一种结合形状信息和纹理信息的特征点定位方法。其解问题，消除了Qc和QAc对迭代运算的影响。优点在于能够快速、准确地对输入图像进行人脸特征点定位。argminIlf一一JAb(9)AAM算法原理是根据统计学理论建立先验模型，估计模型参其中Ab=日jT(一)为更新的模型参数。由式(7)可知，数，将模型实例与待测图片进行拟合使得两者之间差值达到Hessian矩阵可以预先计算且保持不变，这样纹理模型参数更最小。新问题与形状模型参数类似都不必在迭代过程中反复计算，1．1主动表观模型的建立降低了计算复杂度，提高了AAM拟合的准确率。AAM人脸首先，对训练样本集中的图像进行特征点标定，建立形状特征点定位效果如图1所示。模型。将标记好的特征点坐标按照一定的顺序排列起来，则目前多数人脸识别算法主要对正面的、无其他复杂条件目标形状可以被描述成为这些坐标点的集合，设标记点有“干扰的人脸图像进行测试，没有考虑到实际情况中提取的人个，这些标定点可组成2“个标量，即：脸图像存在复杂的非人脸信息，通常在对图像进行识别之前S=(1，Yl，2，Y2，⋯，一1，Y一1，，Y)(1)需要检测图像中是否存在人脸，但是当图像中存在其他非人其中：S是样本目标形状向量；和Y表示特征点的横纵坐标。脸信息时不利于图像的分类和识别，导致识别率降低。本文将每个样本形状与平均形状对齐后采用PCA降维，得到的目算法在对人脸图像分类、识别前利用AAM能够准确地对图 2054计算机应用第35卷类。算法流程如图2所示。对变化的维数在ORL人脸库上进行测试。在ORL人脸库中训练样本Il测试样本抽取每人前五张图片作为训练样本，后五张图片作为测试样II本，采用PCA降维方法将图片维数降至3O，50，8O，100，130，AAM特征点定位lIAAM特征点定位I+150，200，300，在不同维数的条件下比较本文算法与其他方法归一化处理lJ归一化处理之间识别率的差异。不同维数下不同算法的人脸识别率如图I3所示。K—means聚类l1I，『构造过完备字典H稀疏分解=)I薄J稀疏表示分类磊Il识别结果309Ul5UZl027O图2cs-AAM算法流程维数3实验与结果分析图3不同维数下不同算法的人脸识别率(ORL库)从图3中可以看出所有算法的识别率在维数增加的情况为了对本文算法的性能进行评价，说明本文算法在训练样本数量多、人脸图像背景复杂的条件下具有较高的识别准下均有提高，但是对于维数较低的情况，NN与SVM算法鲁棒确率，实验采用与该条件相适应的ORL和ExtendedYa1eB人性不高。其原因是在维数较小的情况下，人脸特征提取较为脸数据库进行测试，由于这两个人脸库中包含不同背景、不同困难，且人脸之间相似度较高，不易于分类和识别。本文算法姿态且数量较多的人脸图像，为实验提供了较为理想的环境。通过比较不同类之间的差异性，选择相似程度最高人脸图像通过比较最近邻(NN)、支持向量机(SVM)、稀疏表示分类将其聚在一起，降低了在分类时发生错误的风险，提高了识别(SRC)、协同表示分类(CRC)与本文算法(cs—AAM)在人脸的准确率。库上的识别率，证明本文算法的有效性。3．2ExtendedYaleB人脸数据库3．1ORL人脸数据库ExtendedYaleB(B+)人脸库是一个包含28个人在9种ORL人脸数据库包含了400张的人脸正面图像，共40不同姿态和64种不同光照条件下共16128张人脸图片的数人。在ORL人脸库中随机选取每个人的多幅图片作为训据库。在实验时，从28个人中选取15个人一定数量的图练样本，其他图片作为测试样本。片用作训练样本，对每个人分别选取2O，30，4O张图片作为训由于ORL人脸库中的每张图片像素大小为92×112，为练样本，则训练样本数量分别为200，300，450，600，再从每个了便于实验，将图片降采样为10×10来减小计算量。实验针人剩余的图片中随机选取共500张作为测试图片。为了实验对每个人随机抽取数量不等的图片作为训练样本，样本数量的可操作性，使用降采样的方法将图片大小降至为10x10进分别为120，150，180，210，对不同的样本数量分别构造过完备而减少计算量。将本文算法与其他算法在相同的实验环境下字典，字典大小为100×120、100×150、100×180和100×进行测试。相同维数下不同人脸识别算法的识别率见表2。210，其中100是图像维数。相同维数下不同人脸识别算法的表2相同维数下不同算法在ExtendedYaleB中识别率对比识别率见表1。表1相同维数下不同算法在ORL中识别率对比通过实验可知，随着训练样本数量的增加，每个算法的识别率都有所提高，但是SRC算法在第3组实验和第4组实验根据实验结果可知，当训练样本数量增大时，每一种识别中得到的识别结果很相近，变化不大，这说明在训练样本数量算法的识别率都有所提高，因为在构造字典时，维数作为字典过大的情况下，SRC算法用于解决优化问题的计算量大，分类矩阵的行数，训练样本的数量作为字典矩阵的列数也称原子效率降低，而且当训练样本的某些类之前相似程度高时，分类数，当列数大于行数时，构造的字典是过完备字典，在训练样就更加困难。CS—AAM算法在训练样本较大时则具有良好的本足够多时，测试样本可以由同类训练样本线性表示。过完鲁棒性，其原因在于在对训练样本构造过完备字典之前，采用备字典的原子数大于维数，因此在稀疏表示分类时越容易。聚类的方法先选出相近的特征向量，将其聚成一个类，计算出通过比较不同算法在相同维数的下的识别率可知，本文算法聚类中心也就是均值并用这个均值来代替这个类，利用这些的识别率高于其他算法，原因是由于实验时将每个人的人脸聚类中心构造字典再进行稀疏分解，最终识别出人脸。根据图像随机放置，导致在分类过程中某些相似的类容易混乱，造ExtendedYaleB(B+)人脸数据库中的人脸图像可知，除主要成识别失败。本文算法在对训练样本构造字典之前，采用人脸信息外，还存在衣服、背景的复杂信息，CS—AAM算法在K-means聚类方法针对相似度较高的训练样本进行聚类，确稀疏表示分类前通过采用AAM对人脸主要特征进行定位，定聚类中心并用其代替这个类，因此当训练样本数量增加时，除去非人脸信息，只保留有用信息，提高了识别的准确性。本文算法依然能够准确地识别。为了将算法能够更好地应用于实际环境中，实验通过测由于在实际人脸识别环境中维数并不是固定的，所以针试不同维数下的识别率进一步证明本文算法的有效性。不同 第7期费博雯等：基于主动表观模型的稀疏聚类人脸识别算法2055维数下不同算法的人脸识别率如图4所示。approach[J]．IEEETransactionsonPatternAnalysisandMachine100Intelligence，2013，35(5)：1193—1205．[4】TURKM，PENTLANDA．Eigenfaeesforrecognition[J]．Journal90ofCognitiveNeuroseience，1991，3(1)：71—86．墼80涞【5】LIANGJ，WANGM，CHAIZ，eta1．Differentlighringprocessing70andfeatureextractionmethodsforefficientfacerecognition[J]．60IEEETransactionsonImageProcessing，2014，8(9)：528—538．4U608oloolZUl4Ul6Ul80【6]BELHUMEURPN，HESPANDAJP。KIREGEMANDJ．Eigen—维数facesvsFisherfaces：recognitionusingclassspecificlinearprojection图4不同维数下不同算法的人脸识别率(ExtendedYaleB库)[J】．IEEETransactionsonPatternAnalysisandMachineIntelli—通过实验可以看出，在不同维数下本文算法识别的准确gence，1997，19(7)：711—720．性较高。由于AAM能够准确地对人脸特征进行定位，保留主[7】BARTLETrMS，MOVELLANJR，SEJNOWSKITJ．Facerecog-要用于识别的信息，减少了外界因素对人脸识别的影响，使得nitionbyindependentcomponentanalysis【J]．IEEETransactions算法能够更准确地对图像进行分类；而且本文算法对有复杂onNeuralNetworks，2002。13(61：1450—1464．背景的人脸识别也具有良好的鲁棒性。【8】VAPNIKVN．Thenatureofstatisticallearningtheory【J】．IEEETransactionsonNeuralNetworks，1997，8(6)：1564．4结语【9]WISKOTYL，FELLOUSJ-M，KUIGERN，eta1．Facerecognitionbyelasticbunchgraphmatching[J】．IEEETransactionsonPattern针对原始SRC算法在训练样本过大以及其他非人脸信AnalysisandMachineIntelligence，1997，19(7)：775—779．息干扰等情况下识别效率较低、准确性较差的问题，本文提出[1O】WRIGHTJ，YANGA，GANESHA，eta1．Robustfacerecognition一种基于主动表观模型的稀疏聚类人脸识别算法。通过使用viasparserepresentation[J】．IEEETransactionsonPatternAnaly—一种快速拟合算法降低计算复杂度，提高拟合准确率，对图像sisandMachineIntelligence，2009，31(2)：210—227．中的人脸特征点进行准确的定位，从图像中只提取能够被有SONMEZEB，ALBAYRAKS．Criticalparametersofthesparse效识别的人脸信息，摒弃其他不利于识别的信息。结合SRCrepresentation-basedclassifier【J】．IEEETransactionsonComput—算法进行分类，在分类之前，由于训练样本过大，且训练样本erVision，2014，7(6)：500—507．中某些类人脸图像相似度较高，SRC算法往往准确性较低，针[12]ZHA0H．YUP．AAM．basedalignmentandlocalweightedmatc．对这一问题，本文算法利用K-means聚类算法首先对训练样hingmethodforfacerecognition[J]．JournalofImageandGraph-ics，2013，18(12)：1582—1586．(赵恒，俞鹏．基于主动表观模本的进行聚类，将相似度较高的人脸图像计为一类，计算聚类型姿态矫正和局部加权匹配人脸识别[J]．中国图象图形学报，中心，并用聚类中心代替这个类，避免了因相似程度较高而导2013，18(12)：1582—1586．)致分类失败的问题。通过在人脸数据库上比较本文算法与其【13]QIAOL，CHENS，TANX．Sparsitypreservingpmjectionswith他算法的识别效果，表明本文算法具有较高的准确性和良好applicationstofacerecognition【J】．PatternRecognition，2010，43的鲁棒性。由于该算法有较好的特征提取和分类效果，下一(1)：331—341．步将在其他识别领域作进一步的研究。[14]ZHANGC，LIUH，QIANGZ．Facerecognitionbasedonimage参考文献：sparserepresentationandsingularvaluedecomposition【J】．Journal[1】CHOIK，TOHK—A，BYUNH．IncrementalfacerecognitionforofComputerApplications，2013，33(S1)：233—235．(张慈祥，刘large—scalesocialnetworkservices【J】．PatternRecognition，2012，辉，强振平．基于稀疏表示和奇异值分解的人脸识别[J】．计算45(81：2868—2883．机应用，2013，33(s1)：233—235．)【21MAX，TANY．Facerecognitionbasedondiscriminantsparsitypre-【l5]BOC，ZHANGR，LIUG，eta1．Facerecognitionviakernel—servingembedding[J]．ActaAutomaticaSinica，2014，40(1)：basednon—negativesparserepresentation[J]．JournalofComputer73—82．(马小虎，谭延琪．基于鉴别稀疏保持嵌入的人脸识别Applications，2014，34(8)：2227—2230．(薄纯娟，张汝波，刘冠算法【J】．自动化学报，2014，40(1)：73—82．)群，等．基于核非负稀疏表示的人脸识别【J】．计算机应用，【3]LIAOS，JAINAK，LISZ．Partialfacerecognition：alignment—free2014，34(8)：2227—2230．)(上接第2050页)【11】TANJ，WANGY，LIZ．Subdivisionalgorithm，connectionand图形学报，2014，19(9)：1368—1376．)applicationsofcubicH—Brziercurves【J】．JournalofComputer—Ai-[14】HUANGR．Constructionandapplicationofrationalq-Bemtein—dedDesign＆ComputerGraphics，2009，21(5)：584—591．(檀Brziercurves【J]．JournalofComputerApplications，2013，33结庆，王燕，李志明．三次H-Brzier曲线的分割、拼接及其应用(5)：1359—1363．(黄日朋．有理q-Bernstein-Brzier曲线的构造【J]．计算机辅助设计与图形学学报，2009，21(5)：584—591．)及其应用[J】．计算机应用，2013，33(5)：1359—1363．)[12】UY，XUANZ，WEIZ，eta1．Smootheninginsurfaceblendingof【l5】K~FERBOCKF．Affineatelengthpolylinesandcurvaturecontinu—quadricalgebraicsurfaces【J】．JournalofComputerApplications，OUSuniformB—splines【J】．ComputerAidedGeometricDesign，2014，34(7)：2054—2057．(李耀辉，宣兆成，威志峰，等．二次2014，31(7／8)：331—344．代数曲面拼接中的光顺处理【J]．计算机应用，2014，34(7)：[16】SAPIDISN，FARING．AutomaticmiringalgorithmforB—spline2054—2057．)curves【J]．Computer-AidedDesign，1990，22(2)：121—129．[13]YANL，HANX．ImprovementofthemodifiableBrziercurves[17】TANJ，ZHUANGX，ZHANGL．Anewfour—pointshape—preser-[J】．JournalofImageandGraphics，2014，19(9)：1368—1376．vingCsubdivisionscheme[J】．ComputerAidedGeometricDe-(严兰兰，韩旭里．对可调控Brzier曲线的改进[J]．中国图象sign，2014，31(1)：57—62．