基于PCA余像空间的ICA混合特征人脸识别方法

第25卷第7期

2005年7月

文章编号:1001-9081(2005)07-1608-03

计算机应用

ComputerApplications

Vol.25No.7

July

2005

基于PCA余像空间的ICA混合特征人脸识别方法

武　妍,宋金晶

(同济大学计算机科学与工程系,上海200092)

(songjj2000@)

摘　要:为改善传统的基于特征脸的人脸识别方法在识别光照变化较大的人脸时效果不尽理想的缺陷,提出一种基于“PCA余像空间”的ICA混合特征人脸识别方法。不同于2阶PCA人脸识别方法,用独立元分析法代替主元分析法,对“PCA余像特征脸集”进行独立元特征抽取得到人脸图像基于PCA余像空间的独立元特征,并综合人脸图像的原始独立元特征得到混合特征作为最终识别的特征。实验表明,基于PCA余像空间的ICA混合特征人脸识别方法,在识别光照、表情等外界因素变化较大的人脸图像时,要优于传统的基于特征脸的识别方法、基于ICA的识别方法以及基于2阶PCA的人脸识别方法,并具有较强的适用性。

关键词:人脸识别;特征脸;PCA余像空间;中图分类号:TP391.41　　文献标识码:A

FacerecognitiinPCAresidualfacespace

Yan,SONGJin2jing

(DofputerScienceandEngineering,TongjiUniversity,Shanghai200092,China)

Abstract:Toimprovetheeffectoftraditionaleigenfacemethodonfacerecognitionunderlargeilluminationvariation,anewfacerecognitionmethodwasproposed.Unlikesecond2orderPCAfacerecognition,itusedindependentcomponentanalysisonthePCAresidualeigenfacesinsteadofprincipalcomponentanalysistoextracttheindependentcomponentfeature,andintegratedtheICfeatureinPCAresidualfacespacewiththeICfeatureinoriginalfacespacetobetheultimatefeatureforrecognition.Experimentsprovethatitismoreefficientthansomeconventionalhumanfacerecognitionmethods,suchaseigenfacebasedmethod,ICAbasedmethod,andsecond2orderPCAmethod,underlargeilluminationandposevariations,andalsohasagoodpracticability.

Keywords:facerecognition;eigenface;PCAresidualfacespace;independentcomponentanalysis(ICA);mixedfeature

ICA方法作为一种针对盲源信号的分析方法,其基本思

0　引言

人脸识别作为一项身份验证的有效手段,近年来受到越来越广泛的关注。目前已存在的主要识别方法包括通过估计人脸面部光线流以分析人脸变化特征的光流技术[1];全局的空间域分析方法,如主元分析法(PrincipalComponent

[2]

Analysis,PCA),独立元分析法(IndependentComponent

Analysis,ICA)

[3～5]

想:假设有M个经中心化的观测信号X=[x1,x2,…,xM],

ICA方法的目标是找出N个相互统计独立的源信号S=[s1,s2,…,sN]以及混合矩阵A,使得X

T

=A S。尽管A和S均

T

未知,但是基于si(i=1,2,…,N)的统计独立性,可通过一定方法[9,10]估计出混合矩阵A和S,当前估计ICA模型的主要方法有非高斯的最大化、互信息的最小化和最大似然函数

[5]

估计(ML)。本文采用Bell和Sejnowski的基于定点递推的方法估计ICA模型[11]。

;基于人脸局部特征的分析方法;线性判

别函数法;还有基于Garbor小波表示的人脸特征分析方法[6]等。GianlucaDonato等[7]较为系统地论述和比较了各种方法在人脸识别准确率和效率上的优劣,分析表明,使用基于人脸统计独立特征的ICA方法作为人脸识别的特征提取方法通常能在最终识别上获得较好的效果。

2　基于PCA余像空间的ICA人脸识别方法

自然条件下的人脸图像受光照条件、人脸偏向角和面部表情的影响,表现出较大的不稳定性,我们称使用PCA提取人脸特征得到的特征脸集为“1次主元特征脸集”。用1次主元特征脸集中前数个特征脸(即对应较大特征值的特征脸)对人脸图像进行重建,得到的重构人脸图像所反映的光照差异成分要明显多于身份特征成分,这将大大影响基于这些特征的人脸识别效果[8]。

基于以上分析,Wang[8]提出了基于2阶特征脸(second2

1　独立元分析法的基本思想

PCA是基于信号或图像二阶统计信息的分析方法,而ICA则能够分析提取信号高阶统计信息,就这一点而言,ICA

可以看作是PCA方法的推广。在人脸识别领域中,由于ICA能够提取出人脸图像的高阶信息,因而有优于PCA的表现。

　　收稿日期:2004-12-16;修订日期:2005-03-02　　基金项目:国家自然科学基金资助项目(60135010)

　　作者简介:武妍(1967-),女,山西晋中人,副教授,博士,主要研究方向:神经网络、模式识别、图像处理;　宋金晶(1980-),男,上海人,硕士研究生,主要研究方向:计算机图像处理、模式识别、人工神经网络.

第7期武妍等:基于PCA余像空间的ICA混合特征人脸识别方法

上的投影Rrsd:

Rrsd=UM2 Xrsd

T

1609　　　　

ordereigenface)的人脸识别方法,该方法通过丢弃1阶特征脸

方法得到的前数个反应光照信息的特征脸,克服光照干扰的影响。

图1中,(a)是YALE人脸库中某5个人的原始人脸图像,不同于基础人脸库ORL库,Yale库中的人脸图像普遍受

光照干扰因素的影响比较明显;(b)是对应(a)的使用主元分析法得到的1次主元特征脸集中前6个对应较大特征值的特征脸重建的人脸图像;而(c)则是对应(a)的基于2阶特征脸方法的重建人脸,在本文中我们称其为PCA余像。可以看到,(c)中的PCA余像包含了原始人脸图像的大部分高频身份特征信息,而由前6个PCA主元重构的人脸图像(b)则较为模糊,包含的身份特征明显少于光照变化等干扰特征。这也从直观上说明了2阶特征脸方法的合理性和有效性

。

(4)

同时对UM2作独立元分析得到独立元特征SM2=[s1,s2,…,sM2],Rrsd在SM2上的投影Frsd为:

Frsd=SM2 Rrsd

T

(5)

这里得到的Frsd就是人脸图像基于PCA余像空间的独立元特征。

2.2　基于混合特征的NFL人脸识别

本文采用最近邻特征线(NearestFeatureLine,NFL)分类器[12]进行最终的人脸识别,该方法具有实现简单、识别效果好的特点。

综合了基于PCA余像空间的独立元特征(Frsd)和原始人脸图像的独立元特征,NFL,2阶特征脸方法

PCA,,使得本。

设δdist(x,xt)表示待匹配人脸x和模板人脸xt在特征空间中的距离,我们采用的是欧氏距离作为度量范数:δ-y′dist(x,xt)=w1 ‖y-yt‖+w2 ‖y′t‖

(6)

其中y和yt分别代表原始待匹配人脸x和模板人脸xt的独立元特征投影,而y′和y′t则代表待匹配人脸x和模板人脸

xt依据2.1所述方法得到的基于PCA余像空间的独立元特征

图1　原始人脸图像和相应的重建人脸图像及PCA余像

投影,系数w1和w2反应了这两种特征的重要程度。对于光照变化较大的人脸图像,训练得到的w2相对较大,由此得到的δdist(x,xt)具有较强的抗光照变化干扰的能力,进而能够得到更佳的识别效果;而对于光照影响不大的人脸图片,训练得到的较小w2可有效提高该方法的整体识别效果。本文涉及的人脸识别属于有监督的模式识别问题,故可采用梯度下降的方法确定w1和w2的最优值,令w1=1-w2,w2取介于0.01和0.99之间的某个随机值,依据由此得到的δdist(x,xt)计算识别率,并遵循最优识别率的原则优化调整w2的取值,最终获得最佳的w1,w2。定义以下的准则函数J:

δ∑∑

J(w1,w2)=I(w2)=

i=j=N

M