基于非线性特征提取的人脸识别算法研究

第38卷第2期2019年4月武汉轻工大学学报JournalofWuhanPolytechnicUniversityVol.38No.2Apr.2019文章编号:2095-7386(2019)02-0035-05DOI；10.3969/j.issn.2095-7386.2019.02.007基于非线性特征提取的人脸识别算法研究江诚，石雄(武汉轻工大学电气与电子工程学院，湖北武汉430023)摘要：自然场景下的人脸图像数据通常分布在非线性的高维空间中，因此，传统线性特征提取算法难以获得鲁棒的特征。针对上述问题，提出一种基于非线性提取的人脸识别算法。该算法将非线性特征提取算法引入到人脸识别的过程中，对人脸特征匹配阈值进行预处理，将模拟遗传退火算法和深度信念网络相融合，先利用模拟遗传退火算法优化深度信念的网络连接权值，在此基础上对预处理人脸特征匹配阈值进行寻优，增强了传统算法对于天气、光照、形态等多种外界因素的鲁棒性。实验仿真证明，该算法提取特征的稳定性强，能有效的识别人脸图像，精度较高。关键词：非线性特征提取；阈值;人脸识别；鲁棒性中图分类号:TP391.41文献标识码:A(SchoolofElectricalandElectronicEngineering,WuhanPolytechnicUniversity,Wuhan430023,China)Abstract;Faceimagedatainnaturalscenesisusuallydistributedinnonlinearhigh-dimensionalspace.There­fore,traditionallinearfeatureextractionalgorithmsaredifficulttoobtainrobustfeatures.Aimingattlieaboveprob­lems,afacerecognitionalgoritlimbasedonnonlinearextractionisproposed.Thealgoritlimintroducestlienonlinearfeatureextractionalgoritlimintotheprocessoffacerecognition,pre-processesthefacefeaturematchingthresliold,fusesthesimulatedgeneticannealingalgorithmwiththedeepbeliefnetwork,andfirstoptimizesthedeepbeliefnet­workbyusingthesimulatedgeneticannealingalgorithm.Basedontheweightoftheconnection,thepre-process­ingfacialfeaturematchingthresiioldisoptimized,andtherobustnesoftiietraditionalalgoritiimtovariousexternalfactorssuchasweather,illuminationandshapeisenhanced.Theexperimentalsimulationprovesthattheproposedalgorithmhasstrongstabilityandcaneffectivelyrecognizefaceimageswithhighprecision.Keywords;nonlinearfeatureextraction%threshold%facerecognition%robustness随着计算机技术和图像处理技术的蓬勃发展，性等特点，在众多生物识别中，使用范围较广。因ResearchonfacerecognitionalgorithmbasedonnonlinearfeatureextractionJIANGCheng,SHIXiong1引言人脸识别技术的水平也在逐步完善,成为各界研究者关注的焦点,人脸具有不可替代性、排他性、真实收稿日期;2018-12-22.作者简介:江诚（1993-),男，硕士研究生，E-mail:[e-mail].通信作者:石雄（1968-男，教授，E-mail;188554743@qq‘cm.36武汉轻工大学学报2019年此，在军事、金、医疗、交通很生全和全域着核心的作用。在人脸识别技操作过程中，大数稳定的下，其技术发挥的质，气化或界界因干下时，其识别过程为艰难，使其成为阻碍图像领域和计域发个最大瓶颈，在这种下，如地进行人脸图像识为其域亟待解决个主要，引很家和学者的重视。2基于PCA的人脸识别在对人脸识过程中，先像数据信息进行预处理，学人脸识样本，基人脸稀疏特征，该像'滑度和，人脸图像特征，由此人脸图像的识别。步如下详述：假设！代疏图像误差矩Mx5个信息数据，代其中任意一个图像稀疏误差元素，则式（1)计算出—/v/v•••/y~X111215假设，由表示和！相关联的人脸图像稀疏矩特征值，式(2)进行分解：Pxr=E\XXT\=U,U.(2)其中，，代表人脸稀疏矩置，E代表数学期望，U代表人脸特征向量构矩阵。式LXXU=U,可计算出人脸图像向量构矩阵[1]。假设由0代表图像的人脸特征M个正交轴，满足％=1，2,…，M，M$5的条件，在00=1束下，将人脸图像特征向射值0上的方差最大化，因此式(3)可为：r=0Tx.(3)其，0T为人脸像识。假设，X能够与人脸图像识矩阵0进合，获Mx5代人脸图像特征的正矩阵，式(4)可人脸图像的识别：E，=0X5㊉％.(4)asw〇x5WVG、’其中，％为奇异值分角矩阵。综上，基PCA的人脸图像识别原理，但是在该原理进行人脸识，因为外界天气、光线变化、因引干扰，使其无法获确人脸特征，进出人脸识差大。3基于非线性特征提取的人脸识别优化3.1基于Gabor滤波的人脸识别为人脸优化识度，在进行人脸识过程中，基非线性特征法定义人脸图像维网格向，给出人脸图像的几何不，计算出人脸特征始函数。因此，弓丨Ga-滤波的人脸识别，其G.*滤波器人脸姿态、图像灰度鲁，它能够表征出人脸部特征[2w4]。基于aa*滤波器的人脸识别原理具体步骤如下[5,6]：假设，由Si代表已知人脸图像库中的任意一幅人脸图像模板的二维网格，2代表其人脸特征向量，将2定义为人脸图像网格上节点i的周围信息，则2的取值范围很广，6=\g1，g2,8!，i,8jT代表Gaboi•特征，可用6=，…，gJT来表述2的一种表现模式，6=\^，82,83，…，4T是数维Gabor滤波器构成，每个滤波器的中心频率和带宽各不相同，Gabor滤波器在不同频率不同方向下的效果图，如图1所示:图1不同方向上的Gaboi•滤波器则2也是6与其相对应人脸图像的卷积在位置％勺值。因此，在待识人脸图像上，义一个二维网格上的向，X定义为与6类型的人脸识别向量，式（5)计算出图像的几何不：计出人脸像几不E(a)代江诚，石雄!基于非线性特征提取的人脸识别算法研究372期表的人脸图像特征匹配阈值进行修正，利用式（6)进行表述：J(W4(O)X(/.D(■').(6)在(6)式中，()代表人脸图像特征匹配函数的最大权值属性，X(/)代表规范的图像特征向量模板，D(*)代表人脸图像特征类型集合。3.2基于非线性特征提取的人脸识别在人脸优化识别的过程中，将3.1节得到的4(0)代表图像特征匹配度阈值作为基础，将模拟遗传退火算法和深度信念网络有机的相结合，利用模拟遗传退火算法优化深度信念的网络连接权值，组建网络连接权值矩阵，给出人脸图像特征最优匹配阈值的适应度函数。在此基础上对其进行分类编码，形成最优图像特征匹配拓扑结构，由此完成人脸图像识别。具体步骤如下：假设，由=代表人脸图像的特征空间，而其图像特征可以用=上的投影来表征，将3.1节得到的4(O)图像特征匹配度作为基础，利用式(7)得到深度信念的网络输入：1xlxX4(0)(7)在(7)式中，=代表构成特征空间的最大映射函数，Ax代表特征空间上的投影矢量。在给定参数集合&，满足条件&=3=，D)，则利用式(8)计算出受限玻尔兹曼机的能量函数：4„(，*)=—tD}).=•()在(8)式中，可以将特征空间的最大映射函数=定义为深度信念网络可见层和隐含层之间的连接权值矩阵，D，6则代表深度信念网络可见层和隐含层的偏置量，*代表深度信念网络隐含层向量，x代表深度网络可见层的输入向量。由（8)式可以发现，深度信念的可见层和隐含层都处于二值的状态，因此利用式（9)和式（10)计算出深度信念的隐含层和可见层输出条件概率：J(x%=1I*)=sigmoid(b%+=l)•(9)p(h%=1\)=sigmoid()+=.(10)在(9)&(10)式中，i代表隐含层的位于第i个位置的神经元。则利用式（11)计算出Sigmoid代表的深度信念网络的激活函数：sigmoid()='®[!b=(11)Ac在（11)式中，'代表学习速率，代表收敛后的图像特征的权值矩阵，Ab，！c分别代表更新后的深度信念网络的偏置向量'7，8]。利用模拟遗传退火算法优化深度信念的网络连接权值，假设由〇、、7、，。、（分别代表遗传算法的初始种群规模、交叉概率、变异概率、模拟退火算法的初始温度、冷却参数[9]，则利用式（12)定义图像特征匹配阈值的适应度函数：@()0—{，m}㊉{X;，Xy}.(12)其中，由x%和分别代表复制后的种群的新个体。则利用式（13)和（14)计算出x%和的图像特征匹配阈值的新适应度：@(X,■)@()@()，Xy}±@()@(X■)(13)(14)代表形成的2个在（13)、（14)式中，由丨x:^新种个。利用优化后的深度信念网络的输入层获得新的图像特征匹配阈值和分类层进行共同训练，对其特征匹配阈值进行编码，增强了由天气、光线、遮挡等原因导致的难以获得鲁棒的特征的问题，假设由DKx%')丨代表输入的特征匹配数据样本，其中包含了数量为i输入量x%和x代表的匹配目标函数，采用/g似然函数的最小^的负值来完成训练，利用式（15)进行表征：$(D)=-,l〇g(.，xi.(15)i=1假设由*=!hi，*#，...，*'丨代表一个节点数量为'的隐含层变量，与其对应的深度信念网络可见层的变量为X=3xi，x2，…，xdi■，由.代表图像特征匹配的变量，则利用式（16)进行人脸图像的匹：P(.*)=*/{*二2,1*„}㊉{x1，x2，…xd}•具体的优化算法过程如表1所示。x.(16)4实验与仿真为了证明提出的基于非线性特征提取人脸识别算法有效性，需要进行实验验证。为了避免实验结果的偶然性，我们从0RL人脸数据库中选取6人，每人10幅共100幅人脸图像作为实验对象，将每人前4幅共40幅图像组成训练集，每人后6幅共6038武汉轻工大学学报2019年幅人脸图像试集。在Matlab下搭建实验仿真平台。其算法流程如表1所示。表1性特征算法流程算法非线性特征提取算法流程1.输人:s;，2其中k代表人脸图像的二维网格，2代表人脸特征向量2.初始化:=4〇)，X，分别代表人脸图像的几何不变量、修正函数、深度信念网络3.计算出函数最大值完练(1)计算出深度信函数：±ADY=%)(2)利用定义好的图像特征匹配阈值的适应度函数@()去更新@()、@()(3)最大化似然函数：$(M)=-,1*(，.）%U14.输出：人脸图像匹配函数：j(y\h)=*;{*1，*2,…㊉.)1评价指标的设定在实验过程中，为了更好地评价基于非线性特征法进行人脸识能，验分为两个不。在验的第一个，以特征.的均方差作为主观评价来定义基于非线性特征法进行人脸识度；在验的第二个，为显实验的全，以传统的主成分分析方法作为，合优度和识作为■评价来定义不同方法进行人脸识综合。假设，由）代表测试样数量，I代表人脸图像的特征向，*'代样特征空，式（17)计算出特征均方