彩色人脸图像鉴别特征抽取.doc

《彩色人脸图像鉴别特征抽取.doc》由会员分享，可在线阅读，更多相关《彩色人脸图像鉴别特征抽取.doc（5页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、彩色人脸图像鉴别特征抽取人脸识别是近年来图像处理，机器视觉，模式识别，神经网络，人工智能等认知科学领域的研究热点课题之一。人脸识别是指给定一个场景的静态图像，从若干已知身份的人脸数据库中验证和识别场景中单个或多个人的身份。彩色人脸识别是从人脸识别发展而来的基于彩色人脸图像的识别技术。人脸识别主要可分为：基于静态图像的人脸识别和基于动态视频信息的识别。彩色人脸识别是从人脸识别发展到一定阶段的产物，自然也可以划分为这两类，本文着重于静态彩色人脸的识别方法。人脸识别的社会应用前景也非常广阔。当前流行的门禁系统，人脸考勤机等都是人脸识别技术从理论到实际的很好体现。作为生物特征识别的一个重要分支，人脸识

2、别在身份鉴定，档案管理，信用卡验证，公安系统罪犯身份识别，银行和海关的监控等领域起着举足轻重的作用。但彩色人脸识别的应用于发展尚处于起步阶段。随着电子信息技术，多媒体数字技术和工业的发展，彩色图像在人们的日常生活中得以广泛的存在和引用，因而颜色在人脸识别中所扮演的角色也逐渐引起研究人员的重视。人脸识别技术的长期发展为彩色人脸识别的研究奠定了理论基础，颜色信息的重要性也经历了从否定到肯定的过程。之前人们研究人脸识别的时候并没有考虑到颜色信息对人脸识别的影响，并且人脸的颜色信息往往被学者们忽略。过去甚至有学者提出除了亮度信息外颜色并没有给人脸识别提供太大的有利因素。随着当前研究的不断深入人们逐渐意

3、识到颜色信息已在人脸识别中扮演着举足轻重的角色，已有研究成果发现颜色能够为人脸识别提供有用的信息。与其它识别技术相比，人脸识别并没有诸如指纹识别，虹膜识别，语音识别那样的刚性。因为人脸识别总是受到众多因素的影响，诸如表情，光照，姿态的不同，使得同一个人的图像也不同。对于彩色人脸识别，也没有因为颜色信息的加入而克服这些客观干扰的因素。因此本文着重对融入色彩信息的人脸图像的表示方法和鉴别特征抽取方法的研究。由于彩色人脸识别技术还处于起步阶段，有关彩色人脸识别的方法也不是很多，在将颜色信息融入到人脸识别技术中时，要么致力于寻找一种新的图像表示方法，通过获取一组联合系数将R,G,B三个分量联合成一个分

4、量，以消除三个颜色分量之间的相关性，再做鉴别分析；要么分别对R，G，B三个分量做鉴别分析，得到三组鉴别特征后，再用来做鉴别分析；要么寻找一个能最好表示彩色人脸图像的新的颜色空间来作鉴别分析。下面就这三种方法作进一步介绍。方法一：基于图像级联的鉴别特征提取（1） 将所有样本的三个伪灰度图都转化为列向量的形式，然后用所有训练样本的三个列向量构造出一个协方差矩阵，对这个协方差矩阵用KL变换进行特征分解，选择特征值最大的特征向量作为三个分量的联合系数向量。在得到联合系数向量后，就可以将所有的彩色图像的三个颜色分量联合成一个分量，从而完成由彩色图像到灰度图的转换。转化为灰度图后，再使用KL变换对所有的样

5、本抽取鉴别特征。融合后的图像消除了三个分量之间相关性和冗余信息，从而更有利于分类识别。算法分析与效果：显然，由于该算法是基于主分量分析的鉴别特征抽取，没有考虑到样本类别的信息，因此所得到的联合系数不一定是最佳的，但该算法的价值，就是提出了将三个分量融合为一个分量，并且体现权重信息，为后继的研究提供了思路。（2） 将人脸图像的类别信息考虑在内，以获取彩色人脸图像转换的最佳联合系数向量。第一步：先给定一个任意初始联合系数x0，x0是个31的列向量，用来将彩色图像转化为灰度图。对转换后的训练样本使用Fisher鉴别分析，找到投影矩阵P。第二步：根据上一步求得的P，按给定的算法求出一组新的联合系数x1

6、。第三步：将上述的x0，x1，P代入给定的方程，看方程的结果是否满足给定的阈值，如果不满足继续迭代。否则x1即为所求的联合系数向量，停止迭代。算法分析与效果：由于该算法是基于迭代的，很明显，庞大的计算量是该算法的一个缺陷，但是经过分析不难得出，迭代的次数不超过10次，在硬件条件允许的情况下，该算法不失为一个很好的选择，能得到三个分量的最佳联合系数向量，从而提高人脸识别的性能，而且可以根据需要，设定不同的阈值，以达到不同的识别效果。（3） 将一幅的彩色图像视为一个的四元数矩阵。对这个模型提出一种基于奇异值特征向量和RBF神经网络的彩色人脸识别方法。首先提取彩色人脸图像的奇异值向量，然后对奇异值向

7、量做降维处理以减轻神经网络的计算量，并对奇异值向量做标准化处理，再将处理后的奇异值向量送到RBF神经网络进行训练。 最后将测试人脸图像送入训练好的RBF神经网络进行分类识别。算法分析与效果：彩色图像的奇异值特征向量是一种有效的图像特征，当用最近邻算法分类时，识别率为83%左右，而当采用RBF 神经网络时，可以获取96%左右的识别率，不失为一种很好的彩色人脸识别方法。方法二：基于决策级联的鉴别特征抽取（1） 先将每幅彩色人脸的三个伪灰度图分别表示成向量的形式，然后将所有相同类型的向量组和在一起，得到三个不同的数据矩阵，分别对这三个数据矩阵用PCA的方法进行鉴别特征抽取，得到鉴别特征。在得到三组鉴

8、别特征后, 分别将每个训练样本的三个分量投影到对应的特征空间，再进行分类识别，将得到三组识别结果，综合考虑三组识别结果，得到最终的识别结果。算法分析与效果：很明显，该算法中使用的主分量分析方法，由于没有考虑样本的类别信息，进而对三个分量数据矩阵抽取到的鉴别特征，不能更有利于训练样本的分类识别。但是该算法提出了分别对三个分量进行鉴别特征抽取，为彩色人脸图像识别提供了新思路，这也正是它的价值所在。（2） Rajapasker等人16提出了一种基于非负矩阵分解(NMF)的方法。分别对由训练样本的R,G,B三个分量构成的数据矩阵进行非负矩阵分解，得到基图像和分解系数。但他们的算法建立在图像重构意义下进

9、行的彩色人脸图像的降维和分类识别，并未充分利用人脸图像的类别信息，于是BAI Xiao-ming等人17在此基础上提出了一种非负矩阵分解与线性判别分析(NMF+LDA)相结合的彩色人脸识别算法，融入了人脸图像的类别信息，从而提高整体识别效果。算法描述：对训练数据集中的每一幅彩色人脸图像分解出对应的R,G,B分量，将对应相同分量的所有训练图像组合在一起，构成三个不同的数据矩阵VR,VG,VB，分别对这三个数据矩阵用非负矩阵分解算法计算相应的基图像和分解系数。然后，将每一幅人脸图像对应的三个r1的分解系数向量，按R,G,B颜色分量的顺序串联成一个3r1的列向量，称之为基础数据。在基础数据上考虑类别

10、信息，求出类内散度矩阵和类间散度矩阵，用线性判别分析算法Fisher准则来寻找最优鉴别子空间，计算最优投影矩阵，即系数最优鉴别投影矩阵。最后，将所有的彩色样本的三个分量先向基图像投影，再向系数最优鉴别投影矩阵投影，得到对应于变换空间的坐标系数，以用作分类识别，但是他们将不同通道的颜色信息分开处理，破坏了信息的完整性，因此WANG Chen-zhang等人18在此基础上又作了进一步的改进，提出了基于Fisher块对角LNMF的彩色人脸识别，将之前得到的VR,VG,VB三个矩阵块，放在矩阵V的对角线上，然后对整个对角矩阵V采用非负矩阵分解，来作为鉴别特征的抽取方式。很明显，这样做就保证了信息的完整

11、性。算法分析与效果：非负矩阵分解与线性判别分析相结合的算法，从实验的结果来看，在CVL人脸库上，NMF算法能取得87.8%的识别率，NMF+LDA算法能取得91.1%的识别率。在CMU PIE人脸库上，NMF算法能取得91.1%的识别率，NMF+LDA算法能取得92.7%的识别率。因此，非负矩阵分解算法结合线性判别分析算法所能取得的识别效果，优于非负矩阵分解算法。并且，基于Fisher块对角LNMF的彩色人脸识别算法在不破坏信息完整性的基础上，也取得了较好的识别效果。（3） 针对分别从三个伪灰度图中抽取到的三组鉴别特征，Liu Yong-qin 等人19也提出了相应的处理方法。先使用Fishe

12、r线性鉴别分析，分别求出对应与三个分量的特征空间，然后把每个样本的三个分量分别投影到对应的特征空间中，就得到三组特征系数，对应于样本在特征空间中的位置。针对每个样本都有的这三个特征系数，有两种处理方式：要么用一组加权系数，将这三个特征系数线性组合为一个列向量；要么将这三个特征系数串联起来，作为一个列向量。处理完之后，每个样本就可以用一个列向量Y表示。Y表示在三个分量的特征空间中的特征值。由于这里融合了三个通道的特征，将所有样本图像对应的Y组和为数据矩阵，再做一次鉴别特征抽取，得到特征空间，将所有的样本对应的Y投影到特征空间，最后进行分类识别。（4） 针对从三个分量中抽取到的三组鉴别特征的处理，

13、文献20介绍了一种信息融合的技术来解决这个问题。首先利用小波来提取RGB三个伪灰度图的三组最佳鉴别特征，然后借鉴了信息融合的思想，用广义典型相关分析，将提取到的三个小波特征融合为一个特征。由于小波提取的特征具有高维特性，直接送入分类器进行识别，计算量较大。通过借鉴核监督近邻保留投影和核监督局部保留投影的思想,将监督学习引入近邻保留嵌套,提出监督近邻保留嵌套,并用于对特征的降维。算法分析与效果：彩色图像经过多信道融合的方法,然后再采用主成分分析，线性判别分析，监督近邻保留嵌套，3种特征降维方法,其识别率分别提高了2.161% , 4.171% , 2%;尤其采用监督近邻保留嵌套算法,其识别率可以

14、达到98% ,比采用灰度变换的方法,识别率提高了2%左右,由此说明当人脸识别系统性能达到一定的水平后,采用多通道信息融合技术的方法有助于识别率的进一步提高。2.3 基于决策级联的鉴别特征的正交化上面介绍的方法要么是试图消除R，G，B三个分量之间的相关性，将三个分量融合为一个分量；要么是对R,G,B三个分量分别提取鉴别特征，提取到三组鉴别特征之后，再试图将这三组鉴别特征融合为一个特征。而文献23中所介绍的算法，打破了这一常规思维，在求到对应于R分量的鉴别特征Wr后，令Wr和Wg垂直，即作为求解Wg的限定条件，用拉格朗日数乘法，结合Fisher鉴别分析的思想，求出Wg。同理，将Wr和Wg作为求解W

15、b的限定条件，求出Wb，很显然，这三组鉴别特征满足正交性，消除了对应于三个分量的鉴别特征之间的相关性，再对Wr、Wg、Wb标准化。在求到了这三组鉴别特征后，接下来就涉及到如何对这三组鉴别特征进行处理。处理方法与上面介绍的方法类似，这里不作介绍。该算法的意义，就是突破了传统的思维模式，从消除三组鉴别特征的相关性出发，得到更有利于分类识别的鉴别特征。算法分析与效果：由于该算法保证了提取到的特征之间的正交性，更好的消除了提取到的特征之间的相关性，从而更有利于分类识别。从文献中给出的实验结果来看，该算法能很好的提高人脸识别性能，在AR人脸库和FRGC-2人脸库上，平均识别率分别提高了3.53%，3.3

16、5%。2.4基于像素单元的图像表示方法与鉴别特征抽取 在本节介绍的算法中，彩色人脸图像的表示，仍是基于RGB空间的三通道的彩色图像，并没有作特殊的变换，也没有将三个颜色分量联合成一个分量。该算法没有分别对三个分量进行鉴别分析，这样做就保证了信息的完整性，同时又把R,G,B三个分量的像素值都考虑在内。下面我们来介绍由BAI Xiao-ming等人21提出的基于二维线性判别分析的彩色人脸识别，该算法将每个像素点视为一个像素单元，包含三个值。从像素单元的角度出发，每幅分辨率为n1n2的人脸图像就可以用一个3n的矩阵来表示， (2.1) (2.2) 其中n=n1n2，m为样本总数。每个像素单元包含三个

17、像素值，然后求出类间散度矩阵和类内散度矩阵（均为nn的矩阵），利用Fisher准则函数求出投影矩阵Wopt ,将彩色人脸映射到特征空间，得到Yi . (2.3)最后，用最近邻分类器来分类识别。该算法比较好的维护了信息的完整性，同时又将颜色信息融入到人脸识别中去，为彩色图像的人脸识别的研究开拓了思路。2.5基于新的颜色空间的图像表示方法与鉴别特征抽取本节主要介绍彩色人脸图像的表示方法。既然用RGB颜色空间来表示彩色人脸图像不尽如人意，许多学者就提出用其它的颜色空间来表示彩色人脸图像，以提高人脸识别性能，或者基于现有的颜色空间，通过一系列的转换得到其它的颜色空间。（1） YangJian等人11提

18、出的泛化的彩色图像鉴别模式(GCID)，结合Fisher线性鉴别分析的思想，并融入类别信息，通过设定阈值来进行迭代，得到除了CID模式中的第二个分量。然后利用颜色空间中的三个分量的正交性，把第三个分量看成其它两个分量的正交补，进而求出第三个分量。新的颜色空间很好的表现了人脸的特征，并且更加有利于分类识别。（2） 另外，Liu提出了22不相关的颜色空间(UCS)，独立的颜色空间(ICS)和有鉴别能力的颜色空间(DCS)的方法用作人脸识别。UCS使用主分量分析的方法来消除三个分量之间的相关性。ICS假设每个彩色图像都由三个独立的源图像定义，可以从对任意源的分割中得到，比如独立分量分析(ICA)。D

19、CS使用鉴别分析的方法来定义有利于人脸识别的三个新的分量图像。彩色人脸图像在新的颜色空间中有更好的类聚性，并且这里所提及到的三个颜色空间都具有不同的特征，也都有各自的优缺点。也有学者认为，RGB颜色空间是最基本的颜色空间，可以从RGB颜色空间派生出更好的颜色空间，从而更有利于人脸识别。对于实际应用而言，到底哪一个颜色空间才是更好的呢？哪一种选择才更有利于具体问题的解决呢？有学者提出了对颜色空间的标准化，从而解决了这个问题，这将在第3节作重点介绍。3 颜色空间标准化 Yang等人24指出，不同的颜色空间通常呈现出不同的类聚性，一些颜色空间诸如RGB，XYZ则相对较弱。然而其它的颜色空间，诸如I1

20、I2I3，YUV,YIQ,LSLM则相对较强。通过分析I1I2I3，YUV,YIQ,LSLM的变换矩阵后发现，这些矩阵都有一个共同的特点，变换矩阵第二行，第三行的元素之和都为0。RGB,XYZ颜色空间却不具备这一特性。从弱势颜色空间和强势颜色空间的差异性得到启发，提出了对颜色空间进行标准化的概念和方法。此方法能够对任何由RGB线性变换得到的颜色空间进行标准化，因此标准化的颜色空间与强势的颜色空间具有相同的特性：第二三两行的元素和都为0.3.1 颜色分量内部的标准化CSN-I为了使颜色空间变换矩阵第二行和第三行的元素和都为0，颜色空间内部的标准化是通过依次将变换矩阵的第二行和第三行减去其各自的平

21、均值。C1，C2，C3是经过下面的变换矩阵变换后的颜色分量。 (3.1)变换矩阵A的第二个行向量的均值是,第三个行向量的均值是，把m2从第二个行向量中移除，m3从第三个行向量中移除，将得到一个标准化的矩阵，决定了标准化的颜色空间 .这种颜色分量内部的标准化技术命名为颜色空间标准化I(CSN-I).3.2 颜色分量间的标准化CSN-II为了使颜色空间变换矩阵第二行和第三行的元素和都为0，基于颜色分量间的按照以下的方式工作：通过对变换矩阵的三个初始行向量线性组合得到两个均值为0的行向量，然后用新生成的这两个行向量代替变换矩阵A第二个和第三个行向量，这样就得到一个新的变换矩阵。对原始变换矩阵A的三个

22、行向量线性组合的表示如下： (3.2)让线性组合向量的所有元素之和为0 (3.3)方程3.4表明线性组合系数向量可以作为的零空间的基向量。既然这个零空间是二维的，因此它只有两个基向量。设这两个基向量为，。这样就可以获得两个均值为0的行向量，如下所示： (3.4) (3.5)即为所求。这种基于颜色分量间的标准化技术又叫做颜色空间标准化II(CSN-II)。算法分析与效果：在AR人脸库上的实验表明，通过对RGB,XYZ,XGB,YRB,ZRG标准化前后的识别率对照，标准化后的颜色空间较之标准化前的颜色空间，明显提高了人脸识别的性能。使用第一种标准化方法，识别率较之之前，分别提高了3.5%，2.9%，4.6%，3.6%，4.1%；使用第二种标准化方法，识别率较之之前，分别提高了4.3%，4.3%，4.8%，3.6%，3.5%，可以看出对颜色空间的标准化是有效的，这为彩色人脸识别技术提供了很好的支持。4 研究的发展与展望 随着对人脸识别技术研究的深入人们逐渐意识到颜色的重要性。彩色人脸鉴别特征抽取也从探究图像表示方法到标准化颜色空间逐步发展颜色也扮演着越来越重要的角色。基于彩色图像人脸识别的技术也将随着当今科学信息技术的发展而进步。关于如何更好地将颜色信息融入到人脸识别中去并有效的提高人脸识别的正确率还有很长的路要走。