机器感知与模式识别：SPCA参数对单样本人脸识别效果影响分析.pdf_大学文库

第6卷第6期智能系统学报 Vol.6 No.6 2011年12月 CAAI Transactions on Intelligent Systems Dec.2011 doi:10.3969/j.issn.16734785.2011.06.009 SPCA参数对单样本人脸识别效果影响分析王科俊，邹国锋，张洁 (哈尔滨工程大学自动化学院，黑龙江哈尔滨150001) 摘要：奇异值扰动的主分量分析(SPCA)是一种有效的单样本人脸识别方法，但SPCA算法的识别效果受参数选择的影响比较大，针对SPCA算法中衍生图像生成参数和结合参数a的不同取值对识别效果的影响进行了分析，利用ORL人脸库和CAS-PEAL人脸库做了大量的实验和比较分析，实验结果表明给出的SPCA参数选取方法和取值范围是合理的，并有效地提高了SPCA算法的实际应用效果和单样本人脸识别的性能. 关键词：人脸识别；奇异值分解；结合投影主分量分析；奇异值扰动主分量分析；衍生图像；结合图像中图分类号：TP391.4文献标志码：A文章编号：16734785(2011)06053108 Analysis of the influence of SPCA parameters on the recognition of a single sample face WANG Kejun,ZOU Guofeng,ZHANG Jie (College of Automation,Harbin Engineering University,Harbin 150001,China) Abstract:Singular value decomposition perturbation principal component analysis (SPCA)is an effective single- sample face recognition method;however,the identification results of the SPCA algorithm are seriously affected by parameter selection.In this paper,the effect on the identification,which was caused by the derived image parame- ter and the combined image generation parameter in the SPCA algorithm,was analyzed.Many experiments and comparative analyses were performed on the basis of the ORL face database and the CAS-PEAL face database.The experimental results show that the SPCA parameter selection method and the parameter range given in this paper are reasonable.In addition,reasonable parameters are effective in improving practical application of SPCA algorithms and the recognition performance of a single-sample face. Keywords:face recognition;singular value decomposition;(PC)2A;SPCA;derived image;combined image 单样本人脸识别问题口给人脸识别技术带来人脸识别问题进行了研究，王科俊等2]将目前文献巨大挑战，近年来已成为人脸识别研究中的一个重中出现的主要针对单训练样本人脸识别的方法概括要方向，并得到广泛关注.单样本人脸识别可以有效为以下几类：基于几何特征的方法、样本扩法、特降低训练样本的收集成本和存储成本，加快人脸识征子空间扩展法、通用学习框架法、图像增强法、神别系统的处理速度，所以在犯罪取证、身份证验证、经网络法和三维识别方法等.其中，图像增强法是使银行和海关监控等一些特殊的场合得到应用；但是那些对于识别比较重要的特征更加突显出来，同时由于训练样本的有限性，单样本人脸识别的识别率对那些次要无用的、甚至对识别造成干扰的信息进往往不高，所以如何有效提高单样本条件下的识别行抑制的一种方法，该方法侧重于图像的预处理.基率已成为人们研究的重点· 于奇异值扰动的主分量分析a)](singular value de- 近年来，研究人员分别从不同的角度对单样本 composition perturbation principal component analysis, SPCA)就是利用原图像奇异值分解(singular value 收稿日期：2010-09-14. decomposition,SVD)的重构图像来增强原图像的一基金项目：国家“863”计划资助项目(2008AA01Z148) 种方法，通过增强能够使样本提供的信息得到充分利用，可以有效提高识别率，特别是在单样本人脸库通信作者：邹国锋.E-mai:g841122@163.com, 中人脸类别比较多的情况下效果更显著.SPCA人

·534 智能系统学报第6卷 3)根据式(4)计算A的奇异值扰动衍生图像 P,根据式(5)和(3)计算结合图像J. 4)将J按列连接成一个M×N维的列向量x:, 用“=2，计算x的均值向量 5)由于计算协方差矩阵Σ=上龙 K2-)( 4)T=ZZ的特征值和特征向量较难，转而计算协方差”=ZZ和其特征值和特征向量，图1ORL人脸库中一个人的图像 Fig.1 One person's images in ORL face database 6)根据么，=人2，求协方差矩阵Σ=是 3.2ORL人脸库上的实验结果分析 √：客(x-)(x-)'=zZ的特征值和特征向量，按针对参数n和a取不同值，采用文献[3]中的取值方式和本文提出的均匀取值方式进行了实验，从大到小的顺序对Σ的特征值及对应的特征向量图2和图3分别给出了2种取值情况下图像的奇异排序，然后采用三A,/名入：≥9舍弃无用的特征值和值扰动衍生图像、结合图像随n变化的情况其对应的特征向量，得到所需的投影矩阵U, 7)训练图像和测试图像按P=Y往投影空间 U投影，得到投影向量，再利用欧式距离来确定测试图像的类别。 3 实验结果分析本文分别在ORL人脸库和CAS-PEAL人脸库 m=7 m=8 m=10 上进行了大量的实验，其中OL人脸库是一个变化 (a)x=0.25时的衍生图像模式相对单一且由西方人人脸构成的人脸库，而 CAS-PEAL人脸库是变化模式相对较为复杂且由东方人人脸组成的人脸库，通过在这样的2个人脸库上的实验可以更充分地验证参数n和α取不同值时原图像 m=】 m=2 1=3 对SPCA识别效果的影响. 3.10RL人脸库介绍实验所用人脸图像为英国剑桥大学AT&T实验 m=7 m=8 m=9 m=10 室创建的ORL人脸数据库o].ORL人脸库包括40 (b)a=0.25时的结合图像个人，每人10幅，共400幅人脸图像，图像为256级图2文献[3]中m取不同值时的衍生图像和结灰度，尺寸大小为92×112（宽×高）像素.照片拍摄合图像于不同的时间，采用统一的黑色均匀背景，在一定范 Fig.2 The derived images and combined images 围内存在光照变化，面部表情变化（睁眼或者闭眼、 in [3]with different m 微笑或者严肃)以及脸部细节变化（如是否戴眼镜)，所有的照片都是正面直立的，允许一定角度的头部倾斜和旋转，一般旋转角度不超过20°.这有利于验证SPCA参数是否可以抑制无用干扰信息，对 n=1.1 n=1.2 n=1.3 =1.4 n=1.5 于分析参数变化对识别效果的影响是有利的实验中选取40个人，每人一幅具有正常表情的标准人脸图像作为训练样本库，剩余的360幅图像 1=1.6 n=1.7n=1.8n=1.9n=2.0 用于测试.图1给出了其中一个人的图像. (a)a=0.25时的衍生图像

第6期王科俊，等：SPCA参数对单样本人脸识别效果影响分析 ·535· 表1参数n2种取值方式下的平均识别率对比 Table 1 The average recognition rate n in two values modes 本文n 平均识文献[3] 平均原图像n=1.11=1.2n=1.3n=1.4 =1.5 取值方式别率/% n取值方式识别率/% 1.1 87.12 1.1000 87.12 1.2 85.61 1.1111 87.29 1.3 84.26 1.1250 87.21 1=1.6n=1.7n=1.8n=1.9n=2.0 1.4 83.50 1.1433 86.95 (b)a=0.25时的结合图像 1.5 82.15 1.1667 86.11 图3本文中n取不同值时的衍生图像和结合图像 1.6 81.15 1.2000 85.61 Fig.3 The derived images and combined images 1.7 79.97 1.2500 84.85 in this paper with different n 1.8 79.29 1.3333 84.09 通过上面的实验图像可以明显地看出，当采用 1.9 78.78 1.5000 82.15 文献[3]中的取值方式时，在a=0.25的情况下，m 2.0 78.70 2.0000 78.70 从1~6的变化过程中，衍生图像几乎没有变化：同样得到的结合图像也没有太大变化；而当m从8变表2 参数n2种取值方式时参数α变化对平均识别率的影响化到10时，衍生图像则发生较大的模糊变化，这对 Table 2 The influence of parameter a change under differ- 于充分分析取不同值对衍生图像的重构带来的影 ent n values 响是不利的.所以，为了能够均衡、充分地分析和 a取值本文平均识别率/% 文献[3]平均识别率/% α的变化给识别率带来的影响，分别针对文献[3]的 0.10 83.52 85.37 取值方法和本文的取值方法进行了大量的实验.实 0.20 82.50 85.46 验结果如图4、5与表1、2所示 0.25 82.50 85.55 90 0.30 82.22 85.18 85 0.40 81.85 85.28 0.50 81.85 85.18 80 0.60 81.67 85.09 7 0.70 81.76 84.63 0.8 0.80 81.67 84.63 0.6 0.4 0.90 81.57 84.35 0.0124i682.0 0.2六 1.00 81.48 84.35 参数n 通过图4和图5以及表1、2中的实验数据，2 图4本文采用n均匀取值方式下的识别率种取值方式随着n的不断增大，平均识别率都呈现 Fig.4 Recognition rate n values in the uniform mode 下降的趋势，但是相对于文献[3]提出的取值方法，采用均匀取值的方式时，识别率呈现均匀下降的趋 90i 势，能更全面地观察出n的变化给识别率带来的影 85 响.通过表1数据可以看出，当1

.536 智能系统学报第6卷影响时的总体变化趋势，并得出了参数n和αx的一个 57d 大致的取值范围。在得出此范围之后，本文又进行了 56 实验，结果如图6所示.从而得出n和α的最佳取值. 54 88 86 80 0.5 参数a 0.4 . 01.0150之.530 参数n 0.4 藏0.3 图8本文采用的均匀取值方式下的识别率 0.2 Fig.8 Recognition rate n values in the uniform mode 0.11.1 1.2 .3.4i5 参数n 56 855 图6n和a小范围变化时的识别率 54 53l Fig.6 Recognition rate n and a change in a small area 5 结合表1、表2、图6的实验数据可以看出，当n 取值为1.15或1.2时平均识别率分别为87.34% 0.8 .6 和86.63%，而单项识别率也是比较高的.而对于α 的取值为0.25时，平均识别率为85.39%是比较高 0.2 的，而且单项的识别率也是最高的.综合以上的分 01.0i2 1.416182.0 绘数n 析，最终得到参数n和a取值分别为1.15和0.25. 图9文献[3]中n取值方式下的识别率 3.3CAS-PEAL人脸库上的实验结果分析 Fig.9 Recognition rate n values in [3] 由3.2节的测试数据可以看出，由于OL人脸库中的人脸模式变化单一，所以识别效果还令人满 54.6 。一本文方法 54.4 文献[3]方法意.现在再采用人脸模式变化较多的CAS-PEAL人脸库进行实验，测试参数取值对于识别效果的影响 54.2 CAS-PEAL人脸库包含了1040名中国人共99450 54.0 幅头肩部图像，所有图像在专门的采集环境中采集， 53.8 53.6 涵盖了姿态、表情、饰物和光照4种主要变化条件，部分人脸图像具有背景、距离和时间跨度的变化.本 53.4 53.2 文实验中采用每人的7幅图像，这7幅图像分别是 0.2 0.40.60.81.0 每人在表情、正常、背景、距离、饰物、姿态和光照变参数a 化下的人脸图像.图7是选择出来的一个人在7种图10n2种取值方式下的平均识别率变化下的人脸图像， Fig.10 The average recognition rate n in two values modes 57.0 56.5 本文方法一文献[3]方法 56.0 55.5 55.0 54.5 54.0 535 53.0 52.5 0 1.82.2 2.6 3.0 图7CAS-PEAL人脸库中选择出来的一个人的人脸图像参数n Fig.7 One person's images in CAS-PEAL face data base 图11参数α变化对平均识别率的影响 Fig.11 The influence of parameter a change

第6期王科俊，等：SPCA参数对单样本人脸识别效果影响分析 ·537 通过图8~11的实验数据看出，识别率有明显的有用的信息，并抑制那些对识别不利的信息，然后再下降，这也恰恰说明了在复杂情况下提高单样本人脸使用主分量分析法进行特征提取和识别，为单训练识别率是困难的.采用文献[3]的取值方式，参数n被样本人脸识别开辟了一条新的思路.本文重点讨论限定在1~2，但是显然SPCA算法的识别率没有达到并测试了SP℃A中衍生图像生成参数n和结合图像最优值，识别率明显处于上升阶段，无法得出参数计算中结合参数a对识别结果的影响，得出了SP 对识别效果有影响的正确结论，所以本文在此基础 CA取得较好识别效果时参数的取值原则，从而进上，进行了进一步的实验，把参数n的取值范围扩大步说明SPCA方法的有效性到了1~3，实验数据表明参数n在取值为2.1和2.2 参考文献：时平均识别率和单项识别率是最高的，当n变化到 2.8以后识别率基本维持在一个固定的值，不再发生 [1]TAN Xiaoyang,CHEN Songcan,ZHOU Zhihua,ZHANG 变化. Fuyan.Face recognition from a single image per person:a 而参数α对识别效果的影响并不是特别明显， survey[J].Pattem Recognition,2006,39:1725-1745. 采用文献[3]的取值方式时，在参数α变化的情况 [2]王科俊，段胜利，冯伟兴.单训练样本人脸识别技术综述 [J].模式识别与人工智能，2008,21(5)：7783,635- 下平均识别率基本都维持在53%左右，而采用本文 642, 的方法时，平均识别率维持在54%左右，并没有大 WANG Kejun,DUAN Shengli,FENG Weixing.A survey of 幅度的增减现象出现，但是通过单项识别率可以看 face recognition using single training sample[J].Pattern 出，参数α取值在0.5~1.0的识别率相对较高. Recognition and Artificial Intelligence,2008,21(5):77- 通过以上的分析和格数据得出这样的结论，在 83,635-642 CAS-PEAL人脸库上进行实验测试SPCA参数的影 [3]ZHANG Daoqgiang,CHEN Songcan,ZHOU Zhihua.A new 响，参数a的取值范围为0.5

·538. 智能系统学报第6卷 DTG/attarchive/facedatabase.html. 作者简介：王科俊，男，1962年生，教授，博士生导师，博士，哈尔滨工程大学自动化学邹国锋，男，1984年生，博士研究院副院长，哈尔滨工程大学模式识别与生，主要研究方向为生物特征识别与智智能系统学科带头人.现任中国人工智能能监控。学会理事、中国人工智能学会科普工作委员会副主任、黑龙江省人工智能学会理事长、黑龙江省神经科学学会副理事长、黑龙江省神经科学学会人工智能与医学工程专业委员会主任、黑龙江省自动化学会理事.曾获得部级科技进步二等2项，三等奖3 项，省高校科学技术一等奖1项、二等奖1项.主要研究方张洁，女，1987年生，硕士研究生，向为生物特征识别与智能监控、神经网络、计算生物信息主要研究方向为生物特征识别与智能学等.完成科研项目20余项，在研项目10余项.发表学术论监控。文150余篇，出版学术专著3部，主审教材2部. 第9届中国智能机器人学术研讨会胜利召开由中国人工智能学会智能机器人专业委员会主办、北京大学深圳研究生院承办的“第9届中国智能机器人学术研讨会”于2011年11月11~13日在深圳举行，150多名专家学者出席了本次会议.中国人工智能学会理事长李德毅院士和指导委员会主任涂序彦教授来信向大会表示祝贺，香港中文大学副校长徐扬生院士、中国人工智能学会原理事长钟义信教授、中国人工智能学会副理事长韩力群教授、秘书长王万森教授、智能机器人专业委员会名誉主任蔡自兴教授、北京大学校长助理深圳研究生院常务副院长史守旭教授、深圳市科技工贸和信息化委员会副主任刘锦等嘉宾出席了本次会议，大会开幕式由组委会主任刘宏教授主持，大会主席、中国人工智能学会智能机器人专业委员会主任黄心汉教授致开幕词，韩力群副理事长、钟义信教授、史守旭教授和刘锦副主任分别致词.徐扬生院士、钟义信教授、孙立宁教授、谭民教授、黄心汉教授、洪炳榕教授等作了大会报告.大会报告内容精彩详实，受到与会代表的热烈欢迎.在分组报告中，100多位专家学者展示了近年来在智能机器人研究中的丰硕成果，交流了科技开发和学术活动的宝贵经验，展望了未来智能机器人的发展方向，深入探讨了智能机器人的发展战略.会议热烈务实，会议评选出优秀论文10篇，是我国智能机器人科技界、学术界和产业界的一次盛会，会议期间，根据中国人工智能学会章程进行了智能机器人专业委员会的换届选举.中国人工智能学会副理事长韩力群教授和秘书长王万森教授出席和指导了换届选举工作.在换届选举领导小组的主持下，与会代表听取和审议了第4专业委员会主任黄心汉教授的工作报告，代表们对第4专业委员会的工作表示满意，对今后的工作也提出了许多有益的建议.会议选举安向京等109人为第5届智能机器人专业委员会委员，曹其新等30人为常务委员，黄心汉为专委会主任，谭民、贺汉根、葛运建、刘宏、付宜利为副主任，王敏为秘书长，在第5届专委会第1次常委会上，认真讨论了新一届专委会的工作和活动安排，审议和讨论了下一届学术年会的承办单位和举办地，决定2013年第10届中国智能机器人学术会议由山河智能装备股份有限公司和中南大学承办在会议闭幕式上，黄心汉教授作了大会总结，组委会和上海未来伙伴机器人有限公司代表为获奖论文和作者颁发了获奖证书和奖金