利用粒子群优化的人脸特征提取识别算法

1、第44卷第4期 2010年4月西 安 交通 大 学 学报JOURNAL OF XI 7AN J IA(T(NG UNIVERSITY利用粒子群优化的人脸特征提取识别算法温浩1,郭崇慧2(1.西安电子科技大学综合业务网理论及关键技术国家重点实验宦,710071,西安;摘要:针对如何提高人脸图像识别率问题,提出了利用粒子群优化(PSO的人脸特征提取识别算 法.采用小波变换和张量主成分分析(PCA方法对人脸图像进行特征提取,利用PS(对提取的特 征进行加权处理,根据特征的每一维元素的聚类正确率进行优化选择,从而达到对人脸提取关键性 特征的目的.实验结果表明,所提算法能减小光照、表情和姿态变化的影响,

2、在英国曼彻斯特科技大 学人脸数据库上的识别率比张量PCA方法提高了12.75%.关键词:小波变换;张量主成分分析;粒子群优化;人脸识别中图分类号:TP391.41文献标志码:A文章编号:0253-987X(2010040048-04Face Recognition with Features Extraction Based onParticle Swarm OptimizationWEN Ha01。GUO Chonghui2(1.State Key Laboratory of Integrated Service Networks。Xidian University,Xian 710071,

3、China,2.Institute ofSystems Engineering.Dalian University of Technology,Dalian.Liaoning 116024,ChinaAbstract:A face recognition algorithm with optimal features extraction based on particle swami optimization(PSOis proposed to enhance the recognition rate.Features of each face image are extracted by

4、using the wavelet transformation and the tensor principal component analysis(PCA algorithm.Weights of the featureselements are then determined using PSO according to the right clustering rate of each element,SO that the object tO extract the key features of the faces can be realized.Experimental res

5、ults on the UMIST database show that the impact of changes in ex pression,light and posture can be reduced by the proposed algorithm,and that the recognition ratio is increased by 12.7s%compared with tensor PCA.Keywords:wavelet transforms tensor principaI component analysis;particle swarm optimiza+

6、tion;face recognition人脸识别是模式识别领域的一个研究热点1吧, 并且具有广泛的应用前景.如何提取人脸图像的特 征是人脸识别的关键冈素.常用的人脸特征提取方 法是基于统计特征的【2j,其经典算法是主成分分析 (PCA方法3.文献45针对PCA提出了二维 PCA(2DPCA方法,近年来又出现了其他基于PCA 的改进方法,其中张量PCA(Tensor PCA是一种 效果较好的方法6。7,文献63还证明了2DPCA是 张量PCA的一种特例.如果直接对人脸图像进行特 征提取,会受到光照不均、表情变化等因素的干扰, 人脸图像的维数较高,还需做降维预处理.小波变换 具有良好的局部时(空

7、频分析特性,具有下二采样 性质8,能够消除图像中的十扰,进行降维维护,所 以被广泛应用于人脸图像的特征提取睁m.研究发现。对所提特征的每一维元素赋予适当 的权值,亦即进行优化选择,会进一步提高识别率,收稿口期:2009-0902. 作者简介:温浩(1979一,男,博士生;郭崇慧(联系人,男。教授。博士生导师. 基金项目:国 家自然科学基金资助项目(60802075.第4期 温浩.等:利用粒子群优化的人脸特征提取识别算法然而需要优化的权值较多,权值的数值变化规律难 以用数学模型准确描述.如果采用人工试凑法或网 格搜索法确定权值,计算量会很大,而且很难逼近最 优解L11.粒子群优化算法(Ps(是一

8、种全局搜索方 法,它需要调节的参数少,无需考虑数据的维数和搜 索模型的形式,能获得最优解L11|.因此,本文提出基 于PS(的有效人脸特征提取方法,即首先用小波和 张量PCA提取人脸图像特征,然后用PS(对已提 取的特征进行处理,以确定权值,从而达到人脸识别 的目的.1人脸图像特征提取图1一个人脸2幅图像及其上一层小波变换子图从图1可以看出,这2幅原图有明显的饰物差 别和细微的表情差异,但在LL子图中这些差别不 明显.LL子图对原始图像的预处理效果比较好,所 以本文只对LL子图做进一步的特征提取.为了得 到有效的特征,可采用张量PCA方法提取LL子图 的特征.张量PCA方法能够提取出图像的低维

9、张量 子空间特征,而在特征提取过程中却未破坏图像的 几何空间结构,所以能获得比PCA方法和2DPCA 方法更好的特征提取效果6】.对于灰度图像的特征提取,张量PCA方法的基 本思想可概括为:求解打个大小均为x,阱H的图 像(C和H分别表示图像Xi的长和宽投影矩阵U 和V(UE Rtx,RHx”,并通过投影矩阵对X进 行计算,得到一个新的二阶张量Yi=UTXiT,rRtXm (1 E尉坍(Z和m分别表示矩阵yi的行数和列数. 设yj的均值YM=:yi,则yi和yM满足 丌lmax、lI KyM 0一i。=。10uTxV一去【,TxVl (2 i=I II i=1II其中【,、,的最佳解为U。、y

10、。,【,、,可通过迭代 计算得到(文献6,1213给出了【,、,。的求解 过程.设XTR,I i一1,行为经过预处理的训练样本 图像集,行为训练样本数;xTEj IJ一1,研为经过 预处理的测试样本图像集,m为测试样本数.据此, 本文张量PCA方法的特征提取过程可概括为:根据 XmIi一1,竹,得到投影矩阵【,。、V。;按照式 (1x,-tX哺I i一1,行中的每一幅图像进行计算, 得到训练样本特征矩阵集合y俯I i=1,行;对 x,lj一1,m,利用【,、V按照式(1进行相 应计算,得到测试样本特征矩阵集合YTE,l J一 1,m.2基于PSO的特征优化选择经过特征提取后得到的特征中的每一维

11、元素在 识别中所起的作用有所不同,对这些元素赋予适当 的权值可以进一步提高识别率.由于权值的个数与 任意特征矩阵中的元素个数相同,所以权值可以矩 阵形式记为w,而W的最优解为W。.W中的元素 个数很多,w和w。之间也没有确切的数学模型来 描述,所以利用传统的人工试凑法和网格搜索法很 难找到最优解,为此本文采用粒子群优化算法 (PS(来获得W.PSO算法确定W。的基本思想为:设优个粒子 Z。,z2,Zm在与w的维数相同的空间中进行 搜索,每个粒子Z的位置为W的一个解,即Z的 位置是和W的维数相同的矩阵;根据每个粒子的位 置来确定该粒子的适应度函数值.粒子适应度函数 值的确定方法如下:首先用y珊I

12、i=1,竹的每一 西安交通大学学报 第44卷个元素和对应Z位置的每一维元素相乘,记为w xYTRs(“”表示矩阵w的每一维元素和YTRi中 的每一维元素相乘,wy俯的维数与l,珊的维数 相同;然后对此时的W进行聚类,得到训练样本的聚类正确率.其实,粒子Z,的适应度函数 值就是聚类正确率,每个粒子在自身求解过程中得 到的最好适应度所对应的粒子的位置为局部最优解 (记为Pd,所有粒子在局部最优解中的最高适应度 值所对应的解为全局最优解(记为P。,每个粒子的 运动速度为y。,V2,.,V。(y,也是与w的维数相 同的矩阵.传统的粒子群算法一般通过迭代来调整 每个粒子的速度和位置,即%(z+1一删甜(

13、+哺rl(户d一%(+ rkrz(九一%( (3 %(+1=%(+V/d(f+1 (4 式中:73/d(f+1为第i个粒子的速度在t+1次迭代 中的第d维的元素值;%(+1为第i个粒子的位 置在t+1次迭代中第d维的元素值;伽为惯性权 重;确、rk为常数;r1、r2为0-1之间的随机数. 为防止PSO算法出现早熟或陷入局部极小化, 本文参照文献1-143给出PSO粒子速度更新公式,即 %(f+1一伽d(f+吼1(户bPd(+ rkrz(以一P甜(f+rhr3(九一P村(f (5 例一一当生产畦 (6 式(5中:P。项为粒子当前局部最优解的平均值14, 利用它可防止PSO算法出现早熟或陷入局部极

14、小 化;P。为粒子当前局部最优解.本文设置。为l, Wmi。为o,这样可以使粒子初始时在较大的数值范围 进行搜索,接近最优解时在较小的数值范围进行搜 索.根据经验,r/,璃为2,1r2为0l的随机 数.W的范嗣为O,1,如果W的某一维值在迭代过 程中大于1或小于0,则置为1或0.当所有粒子迭代完成后,或者其位置不再发生 变化,此时得到的P。即为所求的最优解W.最优权值w。确定后,Ii=l,7/的每一维值和对应权值相乘便得到wl,喇,同样利用 yTE一歹一l.,Tn可得到w。.训练样本图像特征矩阵与测试样本图像特征矩阵之间的距离为 D=dis(W。YTE,WF嘞 (7 其中dis(算子的计算方法

15、如下.假设xRcxH,YRcXH,则有C Hdis(X.1,一(确一yd2“2(8 根据式(8采用最近邻方法便可进行图像特征识别. 3实验结果与分析本文在ORL、UMIST和自建库上进行了对比 实验,对比的算法包括:本文算法(算法1、张量 PCA算法(算法2、结合小波变换和张量的PCA算 法(算法3.实验环境:IBMR51e笔记本电脑.编程 语言:MATLAB7.4.(RL库是英国剑桥大学制作的,其中包含40个人,每人10幅n292像素的人脸图像,每张图 像有表情、姿态、光照和角度的变化.本文从每个人 中随机选取5幅或8幅图像组成训练样本集,余下 的图像作为测试样本集.实验进行了10次,最后的

16、 识别率为10次实验结果的平均值,如表1所示. 表1ORL库上不同算法的识别率比较由表1可见.本文算法的识别率大于其他2种 相关算法,算法3的识别率高于算法2的识别率.可 见,对图像进行小波变换能起到良好的预处理效果, 而在此基础上进行PSO调节权值可进一步提高识 别率.当训练样本为5时,本文方法的识别率达到了 96.73%;当训练样本为8时,本文方法的识别率接 近100%.UMIST库由英国曼彻斯特科技大学制作,该 库包含20个人的信息.本文把每个人中的前20幅 图像归一化为11292像素进行实验,并随机选取 前20幅图像中的10幅或16幅进行训练,剩余的图 像作为测试所用,最终的识别率为1

17、0次实验结果的 平均值,如表2所示.可以看出,表2中的识别率比表1中的低,尤其 是在训练样本数较少的情况下.这是因为:UMIST 库中的图像角度变化非常大,每个人的前10幅图像 可以看作是人脸正面图像,而后10幅图像可以看作 是人脸侧面图像.从表2还可以看出,算法1在10个训练样本时的识别率仍然比其他2种算法高,比第4期 沮浩,等:利用粒子群优化的人脸特征提取识别算法 51算法2提高了12.78%,比算法3提高了8.28%,可 见本文算法能较好地抗角度变化的干扰.自建库是笔者从所在的实验室采集制作的,共 n个人,每个人有6幅520X400像素的人脸图像, 每张图像的表情、角度和饰物都有变化.本

18、文采用2折交叉验证算法进行实验,结果如表3所示.表2UMIST库上不同算法的实验结果 表3自建库上不同算法的实验结果从表3可以看出,在自建库上算法的识别率较 低.这是因为:自建库中人脸图像的表情、姿势、角 度、饰物变化很大,而且训练样本数比较少.但是,算 法1的识别率仍然比其他2种算法高,相对于算法 2、算法3识别率分别提高了7.07%和4.54%.4结束语人脸识别是模式识别学科中的研究热点.如何 有效地对人脸图像进行特征提取是人脸识别的关 键.本文提出了一种新的人脸识别方法,其结合了小 波变换、PSO算法、张量PCA算法,对人脸图像能 够提取出可有效识别的关键特征.在(RL库、 UMIST库

19、和自建库上的实验表明,本文算法获得 了比较高的识别率,特别是在UMIST库上,识别率 比算法2提高了12.75%.参考文献:1CHEl。LAPPA R,WISON C L,SROHEY&Human and machine recognition of faces:a survey IJ-I.Proc IEEE,1995,83(5:705-740.22刘青山.卢汉青,马颂德.综述人脸识别中的子空间方 法J.自动化学报,2003,29(16:900911.LlU Qingshan,LU Hanqing,MA Songde.A survey: subspaee analysis for face r

20、ecognition I-J-I.Acta Auto-matica Sinica,2003。29(16:900-911.3高全学,潘泉,梁彦.等.基于描述特征的人脸识别研究 J.自动化学报,2006,32(3:386391.GAo Quanxue,PAN Quan。LIANG Yan,et aL Face recognition based on expressive featuresJ.Acta Au-tomatica Sinica.2006.32(3:386-391.4YANG Jian.ZHANG D,ALEJAND F,et aL Two-dimensional PCA:a new a

21、pproach tO appearance-based face representation and recognitionJ.IEEE Tram on Pattern Analysis and Machine Intelligence,2004。 26(1:131137.5YANG Jian.I.IU Chengjun.Horizontal and vertical 2DPCA-based discriminate analysis for face verification Off a large-scale databaseJIEEE Tram on Informa tion Fore

22、nsics and Security,2007,2(4:781-792. 6XU Dong,YAN Shuicheng,ZHANG Lei Concurrent subspace analysisCProceedings of the 2005IEEE Computer Society Conference on Computer Vision and Pattern Recognition.Piscataway,NJ。USA:IEEE, 2005:203-208.7ZHANG Xinaheng。GAO Xinbo。WANG Ying.Mi-erocalcification clusters

23、detection with tensor subspace learning and twin SVMsel/IEEE Proceedings of the 7th World Congress on Intelligent Control and Au tomation.Piscataway,NJ,USA:IEEE,2008:1758 1763.8MAI LAT S G A theory for multiresolution signal de-composition the wavelet representationJ.IEEE Trana on Pattern Analysis a

24、nd Machine Intelligence, 1989.11(7:674-693.9ZHANG Guoyun,PENG Shiyu,LI Hongmin.Combi nation of dualtree complex wavelet and SVM for face recognitioncIEEE Proceedings of the 7th Interna tional Conference on Machine【七aruing and Cybemet ies.Piscataway,NJ。UsA:IEEE。2008:28152819. 10ZHOU Xiaofei,SHI Yong.

25、Affine subspace nearest points classification algorithm for wavelet face reeogni tionCIEEE world Congress on Computer Science and Information Engineering.Piseataway,N3,USA: IEEE。2009:684-688.11EBERHART R C,KENNEY J.A new optimizerusing particle 8warm theoryCProceeding of the 6th InternationaI Sympos

26、ium on Micro Machine andHuman Science.Piscataway,NJ,UsA:IEEE,1995: 39-43.(下转第118页118西安交通大学学报 第44卷除眼电伪差效果比较好的方法进一步去除眼电伪差 干扰,这也是今后的研究内容之一.参考文献:E1GRATTON G.COI.ES M G,DONCHIN E A new method for off-line removal of ocular artifactJ1.Elec troencephaiography&Clinical Neurophysiology. 1983,55(4:486-484.2高军

27、峰.郑崇勋,王沛.基于独立成分分析和流形学 习的眼电伪差去除I-J.西安交通大学学报,2010。44 (2:113-118.GAO Junfeng。ZHENG Chongxun。WANG P瓯ICA and manifoldbased ocular artifacts removalJ 1.Jour nal of Xian Jiaotong University,2010,44(2:113 118.33uRRE盯ARAzu E。IRIARTE J。AI,EGRE M,et aL Independent component analysis removing artifacts in ictal

28、 recordingsJ.Epilepsia,2004,45(9:1071 1078.1-41AMARI S,C1CHOCKl A。YANG H H.A new learning algorithm for blind signal separation亡M1. Cambridge,MA,USA:MlT Press,1996:757763. 5MAKEIG S.BELL A J,JUNG T P,et aL Independ ent component analysis of electroencephalgraphic data M.Cambridge。MA,USA:MIT Press,19

29、96:145 151.6VERGUI.T A,CI。ERCQ W D.PAI,MINI A,et a1. Improving the interpretation of ictal scalp EEG:BSS (CA algorithm for mu￥cle artifact removalJ.Epilepsia200748(5:950958.7周仲兴.明东,朱誉环。等.基于扩展lnfom.1ax ICA的 站起想象动作脑电特征提取J.仪器仪表学报。 2009。30(3:459-464.ZHOU Zhongxing。MING Dong。ZHU Yuhuan,et aL EEG feature

30、extraction for imaginary standing up based on extended lnformax independent component analysisJ.Chinese Journal of Scientific Instrument。 2009。30(3:459-464.8SHAO Shiyun,SHEN Kaiquan。ONG C J,et a1.Au tomatic EEG artifact removala weighted support vec tor machine approach with error correctionJ.IEEE T

31、ransactiotts 011Biomedical Engineering,2009,56 (2:336-344.91JUNG T P。MAKEIG S,HUMPHRIES C et a1.Re moving electroencephalographic artifacts by blind source separationJ.Psychophysiology,2000,37: 163-178.10CI。ERCQ W D.VERGUI.T A,VANRUMSTE B.et aL Canonical correlation analysis applied tO remove muscle

32、 artifacts from the electroencephalogramJ。 IEEE Transactions on Biomedical Engineering,2006, 53(12:2583-2587.111DELORME A,MAKEIG S EEGI。AB:an open source toolbox for analysis of single-trial EEG dynam-ics including independent component analysisJ. Joumal of Neuroscience Methods,2004,134(1:9-21.(编辑杜秀

33、杰(上接第51页12HE Xiaofei,CAI Deng,NIYOGI P.Tensor subspaee analysisM/Advance in Neural Information Processing System 18.Cambridge。MA,USA.MIT 2006:249-256.131TAO Dacheng。I.I Xeuhong。wU Xindong。et aL General tensor diseriminant analysis and Gabor lea-tures for gait recognitionJ.IEEE Trams on Pattern Analy

34、sis and Machine Intelligence。2007。29(10:17001715.14王峰。刑科义.徐小平.系统辩识的粒子群优化方法 J.西安交通大学学报。2009。43(2:116120. WANG Feng。XING Keyi。XU Xiaoping.A system identification method using particle swarm optimization J1.Journal of Xian Jiaotong University。2009,43 (2:116120.(编辑苗凌利用粒子群优化的人脸特征提取识别算法 作者： 作者单位： 刊名： 英文刊名

35、： 年，卷(期： 被引用次数： 温浩， 郭崇慧 温浩(西安电子科技大学综合业务网理论及关键技术国家重点实验室,710071,西安， 郭崇 慧(大连理工大学系统工程研究所,116024,辽宁大连 西安交通大学学报 JOURNAL OF XIAN JIAOTONG UNIVERSITY 2010，44(4 0次 参考文献(14条 1.CHELLAPPA R.WLON C L SROHEY & Human and machine recognition of faces:a survey 1995(5 2.刘青山.卢汉青.马颂德 综述人脸识别中的子空间方法 2003(16 3.高全学.潘泉.梁彦 基于描述特征的人脸识别研究