CN103258186A - 基于图像分割的集成人脸识别方法 - Google Patents

Abstract

基于图像分割的集成人脸识别方法属于图像处理领域。由于人脸图像受到关照、表情、姿态的影响，一直没有得到较好的人脸识别效果。在机器学习领域，弱学习定理指出，只要能够找到比随机猜测略好的弱学习方法，就可以通过一定的方法构造出任意精度的强学习算法。本发明据“三庭五眼”理论，将人脸图像分成15部分，将15部分人脸特征作为属性Bagging(Attribute Bagging,AB)中的属性集合，通过属性集的有放回抽样来构建训练样本集，从而完成基分类器的训练，最终利用1NN方法进行分类识别。通过在Yale、YaleB数据库上验证了该方法的有效性与可行性。

Description

基于图像分割的集成人脸识别方法

技术领域

本发明属于模式识别技术领域，具体涉及一种基于图像分割的集成人脸识别的新方法，是一种利用计算机技术、数字图象处理技术、模式识别等实现人脸的自动分析与判别的方法，是生物特征识别领域中关于人脸特征提取与识别的算法。

背景技术

一、人脸图像分割

中国的美术理论中最基本的一个关于人脸结构的理论是“三庭五眼”。在面部正中作一条垂直的通过额头-鼻尖-人中-下巴的轴线；通过眉弓作一条水平线；通过鼻翼下缘作一条平行线。这样，两条平行线就将面部分成三等份：从发际线到眉间连线；眉间到鼻翼下缘；鼻翼下缘到下巴尖，上中下恰好各占三分之一，称之为“三庭”；“五眼”是指眼角外侧到同侧发际边缘，刚好一个眼睛的长度，两个眼睛之间也是一个眼睛的长度，另一侧到发际边是一个眼睛长度。

二、两类问题属性Bagging算法

在属性Bagging算法中，共进行T轮训练，每一轮训练对属性集进行有放回的重抽样，根据每一轮抽样出的属性集，对原始训练集中的样本进行改造，即对于每个样本，只使用该轮中抽到的属性重新构成一个样本来代替原始样本，并重新组成每轮训练中的训练集。在每轮的新训练集上用分类算法训练出一个基分类器。最终，对测试集中的样本或未知的样本，根据T个基分类器的输出用投票法决定出最终的分类结果。

发明内容

本发明的内容是提出了一种基于图像分割的集成人脸识别方法。在实现集成分类时的属性Bagging算法时，本发明以“三庭五眼”理论为基础，将人脸图像分割成15个等大的子图像，将其分别进行逐列相加求平均，其结果作为实例的属性来构建训练样本，并在其上进行基分类器的训练。通过在耶鲁和YaleB人脸库的实验，验证了本文所提出的方法的可行性和有效性。

本发明的技术内容如下：

本发明基于“三庭五眼”理论，将人脸图像分割成15个子图像，对每幅子图像进行逐列相加求平均，形成的列向量作为实例的属性。当抽取多个属性时，顺次连接多个属性，形成高维列向量代替原始信号，使用最近邻算法进行分类识别。这样算是一次基分类器的识别结果，整合多次基分类器的识别结果，形成最终集成分类器的识别结果，其中基分类器的分类使用最近邻（1-NN）算法实现。

一个基于图像分割的集成人脸识别方法，该方法的步骤包括：图像预处理、确定原始属性集、确定重抽样属性集、训练基分类器、用集成分类器对样本进行分类。其具体步骤如下：

步骤一、图像预处理

由于人脸图像容易受到光照等因素的影响，对原始人脸图像进行直方图均衡化处理，可以改善人脸图像的质量。

步骤二、确定原始属性集

将分割子图像变换后的特征作为原始属性集中的元素，确定原始属性集为{s₁,s₂,…,s₁₅}。

步骤三、确定重抽样属性集合中的个数为N，确定迭代次数T。

从原始属性集中抽取N个属性作为样本新的属性，由于是有放回的抽取，故有些属性会重复出现，有些属性不会出现。

步骤四、训练基分类器。

对原始图像按抽取的属性顺次连接成为一维信号。用1-NN分类算法对图像信号进行分类，计算基分类器h_t对应的权值a_t：

$a_t=\frac{1}{2}\ln \left(\frac{1+r_t}{1-r_t}\right)$

其中，

m为训练基分类器中测试样本的个数，对于其中第i个样本x_i，若该样本在基分类器h_t下分类正确，则令f(x_i)=1,若分类不正确则令f(x_i)=-1，t为迭代次数，取值为1…T。

对T个权值进行归一化处理：

${a_t}^{\′}=a_t/\underset{t=1}{\overset{T}{\mathrm{\Σ}}}{a}_t$

其中a＇_t为归一化后的基分类器h_t的权值，t=1…T。

步骤五、集成分类器进行分类识别

将所有的基分类器组成最终的综合分类器，对测试样本，用综合分类器进行分类，其最终分类结果如下：

$H\left(x\right)=\arg \underset{y\∈Y}{\max }\underset{t:h\left(x\right)=y}{\mathrm{\Σ}}{a^{\′}}_t\left[\right[h_t\left(x\right)==y\left]\right]$

其中，Y为类别集合，y∈Y；t为迭代次数，取值为1…T。当基分类器h_t的分类结果与y相同时，[[h_t(x)＝＝y]]＝1，反之为[[h_t(x)＝＝y]]＝0。

附图说明

图1是本发明算法的流程图。

图2是Yale数据库的识别率。

图3是YaleB数据库的识别率。

具体实施方式

下面详细给出该发明技术方案中所涉及的各个细节问题的说明：

我们采用的数据库是Yale人脸数据库和YaleB人脸数据库，这两个数据库中只包含人脸图像，本发明要做的工作是在这基础上进行图像分割和识别操作。

步骤一、图像预处理

由于人脸图像易受到光照等因素的影响，对原始人脸图像进行直方图均衡化处理可以改善人脸图像的质量。

步骤二、确定重抽样的原始属性集合

将经过图像分割后形成的15张子图像，分别进行逐列相加求平均，形成的列向量作为属性集合，假设原始属性集合Attribute Set={s₁，s₂，s₃，s₄，s₅，s₆，s₇，s₈，s₉，s₁₀，s₁₁，s₁₂，s₁₃，s₁₄，s₁₅}。设有15个人的人脸图像，即类别M个数为15，每个人是一类。

步骤三、确定重抽样属性集合中的个数N为15，确定迭代次数T为10

步骤四、训练基分类器

For t=1:10，迭代10次。每次迭代，执行以下三步：

第一次迭代，t=1:

Step1：从Attribute Set中有放回地抽样15次，每次抽取一个，得到属性集A₁={s₁，s₂，s₁₀，s₁₅，s₁₀，s₅，s₂，s₇，s₉，s₃，s₁₂，s₁，s₄，s₈，s₁₅}，由于每次都是随机地有放回的抽取，故有些属性可能会出现多次，例如：s₁，s₂，有些属性可能不会出现，例如：s₆，s₁₁，s₁₃，s₁₄。每个训练样本实例X_i只按照属性集A₁中属性顺次连接，形成的列向量Z_1i代表原始样本X_i。

Step2：用1NN算法训练出基分类器h₁(x)→M，计算权值：

$a_1=\frac{1}{2}\ln \left(\frac{1+r_1}{1-r_1}\right)$

其中，r₁为h₁(x)正确分类个数与错误分类个数之差除以训练基分类器

时测试样本个数，M代表类别标号。

…

第十次迭代，t=10:

Step1：从Attribute Set中有放回地抽样15次，每次抽取一个，得到属性集A₁₀={s₁₀，s₂，s₁₃，s₁₅，s₁，s₅，s₂，s₇，s₉，s₃，s₁₂，s₁，s₄，s₈，s₅}。对每个样本X_i按照A₁₀中属性顺次连接，形成一个一维信号Z_10i，则X_i

用Z_10i来表示。

Step2：用1NN算法训练出基分类器h₁₀(x)→M，计算权值：

$a_{10}=\frac{1}{2}\ln \left(\frac{1+r_{10}}{1-r_{10}}\right)$

其中，r₁₀为h₁₀(x)正确分类个数与错误分类个数之差除以训练基分类器时测试样本个数，M代表类别标号。

步骤五、进行最终分类

对于任意测试样本x，

$H\left(x\right)=\arg \underset{y\∈M}{\max }\underset{t:h\left(x\right)=m}{\mathrm{\Σ}}{a}_t\left[\right[h_t\left(x\right)==m\left]\right]$

其中，M为类别集合，m∈M；t为迭代次数，取值为1…10。

步骤五中公式进一步说明如下：对于样本x，各个基分类器的分类情况如下：

h₁(x)->10，h₂(x)->2，h₃(x)->2，h₄(x)->3，h₅(x)->1，h₆(x)->2，h₇(x)->2，h₈(x)->10，h₉(x)->1，h₁₀(x)->3。

类别1的权值之和为：a₅+a₉；

类别2的权值之和为：a₂+a₃+a₆+a₇；

类别3的权值之和为：a₄+a₁₀；

类别10的权值之和为：a₁+a₈；

其余类别标号权值为：0。

最终测试样本的类别标号为：权值之和最大对应的类别标号，

即：max{a₅+a₉，a₂+a₃+a₆+a₇，a₄+a₁₀，a₁+a₈}所对应的类别标号。当有两个或多个最大的权值之和，则给测试样本赋予这几种类别中的任意一个类别标号。

下面详述说明本发明的实验结果：

本发明的实验采用的数据库是Yale人脸数据库和YaleB人脸数据库。其中Yale数据库包含了15位志愿者，每位志愿者11张在不同的光照条件下，不同表情(正常，高兴，悲伤，困倦，惊讶和眨眼)的图像，共165张图像，实验中将每幅图像的大小归一化为60×60。YaleB数据库包括38位志愿者，每位志愿者有64张图片，共2432张图片。包括光照的变换，实验中将每幅图像的大小归一化为60×60。

为了验证融合图像分割和属性Bagging的人脸识别方法，我们在Yale人脸数据库和YaleB人脸数据上进行了实验。其中在Yale人脸数据库进行实验时每个人随机选取6张图片作为训练集，剩下的5张作为测试集。其中训练集中的4张作为训练基分类器的训练样本，剩余2张作为基分类器的测试样本。在YaleB人脸数据库进行实验时每个人选取32张图片作为训练集，剩下的32张作为测试集。其中训练集中的16张作为训练基分类器的训练样本，剩余16张作为基分类器的测试样本。

图2和图3分别是Yale和YaleB数据库识别率的统计图，其中“Yale”是在Yale人脸数据库上进行的实验，“YaleB”是在YaleB人脸数据库上进行的实验，而且这两个数据库实验中属性抽样个数N分别取5，10，15；在每种抽样个数情况下，迭代次数T分别取10、20、30、50、80、100进行实验。

Claims (1)

1.一种基于图像分割的集成人脸识别方法，其特征在于，其具体步骤如下： 

步骤一、图像预处理 

首先对原始图像进行直方图均衡化处理，提高原始图像的质量； 

步骤二、确定原始属性集： 

基于“三庭五眼”理论，将预处理后的人脸图像分割成15个等大的二维子图像，将各个部分逐列相加求平均，其结果作为图像特征构成原始属性集，确定原始属性集为S={s₁,s₂,…,s₁₅}； 

步骤三、确定迭代次数T以及重抽样属性个数N，T取10～100，N取15； 

步骤四、训练基分类器 

首先对属性集合S进行有放回地抽样N次，将其抽样结果顺次连接成为高维列向量；利用最近邻算法训练基分类器： 

用最近邻分类算法对图像信号进行分类，计算基分类器h_t对应的权值： 

其中，

m为训练基分类器中测试样本的个数，对于其中第i个样本x_i，若该样本在基分类器h_t下分类正确，则令f(x_i)=1,若分类不正确则令f(x_i)=-1； 

对T个权值进行归一化处理： 

其中，a_t'为归一化后所对应基分类器的权值，t=1…T； 

步骤五、集成分类器进行分类识别 

将所有的基分类器组成最终的综合分类器，对测试样本，用综合分类器进行分类，其最终分类结果如下： 

其中，Y为类别集合，y∈Y；t为迭代次数，取值为1…T；当基分类器h_t的分类结果与y相同时，[[h_t(x)＝＝y]]＝1，反之为[[h_t(x)＝＝y]]＝0。 

Images