第13卷第3期 智能系统学报 Vol.13 No.3 2018年6月 CAAI Transactions on Intelligent Systems Jun.2018 D0:10.11992/tis.201710014 网络出版地址：http:/kns.cnki.net/kcms/detail/23.1538.TP.20180404.0942.002.html 一种新融合算法的维吾尔族人脸识别 伊力哈木·亚尔买买提 (新疆大学电气工程学院，新疆乌鲁木齐830047) 摘要：针对维吾尔族人脸在光照以及部分遮挡下的辨识率下降和鲁棒性差的问题，提出了二维离散余弦变换 (2DDCT)与方向边缘幅值模式(POEM)相融合的维吾尔族人脸识别算法。首先，把维吾尔族人脸图像分块处理，并 使用2DDCT把其分块后的维吾尔族人脸图像转换为频域状态；其次，压缩维吾尔族人脸图像以排除维吾尔族人脸图 像中无用信息，即中频部分与非低频部分，并进行二维离散余弦逆变换(DCT)得到重构的维吾尔族人脸图像；然后， 经POEM计算维吾尔族人脸图像的特征量得到其相应的POEM直方图并把直方图级联在一起，作为该中心特征点 的POEM纹理直方图，得到维吾尔族人脸特征点的纹理特征信息：最后，采用深度学习算法进行分类识别。本文通 过实验提出的算法，在自建的维吾尔族人脸库中能够进一步提高其人脸识别率，在维吾尔族人脸数据库中其运算速 度也有很大提高。实验结果表明，该算法尤其是在维吾尔族人脸数据库中拥有较好的识别精度，具有很强的鲁棒性， 特别是在光照以及部分遮挡下具有很强的优势。 关键词：人脸识别：维吾尔族；光照；遮挡；离散余弦变换：方向边缘幅值模式；频域状态；深度学习 中图分类号：TP391.4文献标志码：A文章编号：1673-4785(2018)03-0431-06 中文引用格式：伊力哈木·亚尔买买提.一种新融合算法的维吾尔族人脸识别.智能系统学报，2018,13(3)：431-436. 英文引用格式：Yilihamu-Yaermaimaiti.A new fusion algorithm for uyghur face recognition[J.CAAI transactions on intelligent systems,2018.13(3:431-436. A new fusion algorithm for uyghur face recognition Yilihamu Yaermaimaiti (College of Electncian Engineering,Xinjiang University,Urumqi 830047,China) Abstract:Considering the inferior robustness of Uyghur face recognition under illumination and partial occlusion,this study proposes a Uyghur face recognition algorithm based on two-dimensional discrete cosine transform(2DDCT)and patterns of oriented edge magnitudes(POEM).The Uygur face images were partitioned into several blocks,and 2DDCT was used to transform the partitioned images into a frequency domain.The images were compacted and irrelevant in- formation was excluded,i.e.,the medium-frequency portion and the low-frequency portion,and then a two-dimensional inverse discrete cosine transform(IDCT)was carried out to obtain a reconstructed Uygur face image.The POEM was then used to calculate the characteristic quantity of the Uygur face image to obtain the corresponding POEM histogram. All histograms were cascaded together as the POEM texture histogram of the central characteristic point to acquire the texture feature information of Uygur face feature point.Finally,a deep learning algorithm was used to classify recogni- tion.The algorithm proposed in this paper can improve the face recognition rate and operation speed of a self-built Uyghur face database.Experimental results show that the algorithm has good recognition accuracy,especially for a Uyghur face database,and strong robustness,especially under illumination and partial occlusion. Keywords:face recognition;uyghur,illumination;occlusion;dct,poem;frequency domain state;deep learning 收稿日期：2017-10-23.网络出版日期：2018-04-04 新疆位于中国的西北部地区，具有独特的地理 基金项目：国家自然科学基金项目(61462082). 通信作者：伊力哈木-亚尔买买提.E-mail:65891080@q9.com. 位置，少数民族众多，其中维吾尔族属于新疆最大
DOI: 10.11992/tis.201710014 网络出版地址: http://kns.cnki.net/kcms/detail/23.1538.TP.20180404.0942.002.html 一种新融合算法的维吾尔族人脸识别 伊力哈木·亚尔买买提 （新疆大学 电气工程学院，新疆 乌鲁木齐 830047） 摘 要：针对维吾尔族人脸在光照以及部分遮挡下的辨识率下降和鲁棒性差的问题，提出了二维离散余弦变换 (2DDCT) 与方向边缘幅值模式 (POEM) 相融合的维吾尔族人脸识别算法。首先，把维吾尔族人脸图像分块处理，并 使用 2DDCT 把其分块后的维吾尔族人脸图像转换为频域状态；其次，压缩维吾尔族人脸图像以排除维吾尔族人脸图 像中无用信息，即中频部分与非低频部分，并进行二维离散余弦逆变换 (IDCT) 得到重构的维吾尔族人脸图像；然后， 经 POEM 计算维吾尔族人脸图像的特征量得到其相应的 POEM 直方图并把直方图级联在一起，作为该中心特征点 的 POEM 纹理直方图，得到维吾尔族人脸特征点的纹理特征信息；最后，采用深度学习算法进行分类识别。本文通 过实验提出的算法，在自建的维吾尔族人脸库中能够进一步提高其人脸识别率，在维吾尔族人脸数据库中其运算速 度也有很大提高。实验结果表明，该算法尤其是在维吾尔族人脸数据库中拥有较好的识别精度，具有很强的鲁棒性， 特别是在光照以及部分遮挡下具有很强的优势。 关键词：人脸识别；维吾尔族；光照；遮挡；离散余弦变换；方向边缘幅值模式；频域状态；深度学习 中图分类号：TP391.4 文献标志码：A 文章编号：1673−4785(2018)03−0431−06 中文引用格式：伊力哈木·亚尔买买提. 一种新融合算法的维吾尔族人脸识别[J]. 智能系统学报, 2018, 13(3): 431–436. 英文引用格式：Yilihamu·Yaermaimaiti . A new fusion algorithm for uyghur face recognition[J]. CAAI transactions on intelligent systems, 2018, 13(3): 431–436. A new fusion algorithm for uyghur face recognition Yilihamu·Yaermaimaiti (College of Electncian Engineering, Xinjiang University, Urumqi 830047, China) Abstract: Considering the inferior robustness of Uyghur face recognition under illumination and partial occlusion, this study proposes a Uyghur face recognition algorithm based on two-dimensional discrete cosine transform (2DDCT) and patterns of oriented edge magnitudes (POEM). The Uygur face images were partitioned into several blocks, and 2DDCT was used to transform the partitioned images into a frequency domain. The images were compacted and irrelevant information was excluded, i.e., the medium-frequency portion and the low-frequency portion, and then a two-dimensional inverse discrete cosine transform (IDCT) was carried out to obtain a reconstructed Uygur face image. The POEM was then used to calculate the characteristic quantity of the Uygur face image to obtain the corresponding POEM histogram. All histograms were cascaded together as the POEM texture histogram of the central characteristic point to acquire the texture feature information of Uygur face feature point. Finally, a deep learning algorithm was used to classify recognition. The algorithm proposed in this paper can improve the face recognition rate and operation speed of a self-built Uyghur face database. Experimental results show that the algorithm has good recognition accuracy, especially for a Uyghur face database, and strong robustness, especially under illumination and partial occlusion. Keywords: face recognition; uyghur; illumination; occlusion; dct; poem; frequency domain state; deep learning 新疆位于中国的西北部地区，具有独特的地理 位置，少数民族众多，其中维吾尔族属于新疆最大 收稿日期：2017−10−23. 网络出版日期：2018−04−04. 基金项目：国家自然科学基金项目 (61462082). 通信作者：伊力哈木·亚尔买买提. E-mail：65891080@qq.com. 第 13 卷第 3 期 智 能 系 统 学 报 Vol.13 No.3 2018 年 6 月 CAAI Transactions on Intelligent Systems Jun. 2018
·432· 智能系统学报 第13卷 的少数民族，具有独特的面部特征，并且与中亚国 鉴于以上工作，本文提出了二维离散余弦变换 家的人脸有着高度的相似面部特征，人脸识别技术 (2DDCT)与方向边缘幅值模式(POEM)相融合的 的研究对于发展当地的信息处理能力有着很大的帮 维吾尔族人脸识别算法，将二维离散余弦变换与方 助，而且其结果会影响到中亚乃至西亚地区，具有 向边缘幅值模式相互充分结合，在得到人脸梯度图 很大的意义。人脸识别由于其自然性具有不被个体 像的幅值和方向信息时考虑了非均匀光照与局部遮 察觉的特点，一直以来是模式识别和机器视觉领域 挡对维吾尔族人脸图像整体像素的影响，使获得的 的研究热点，但人脸容易受到光照、噪声、表情和遮 梯度信息更能反映维吾尔族人脸图像的本质特征， 挡等的影响，如何有效获取人脸特征信息一直是人 从而有效克服了光照和局部遮挡对人脸识别的影 脸识别研究重点四。 响，提取出的特征占用空间小，提高了识别率，通过 当前研究表明，对人脸图像的辨识率影响比较 特征融合方法，增加了特征丰富度，解决了利用单 大的因素主要是非均匀光照和局部遮挡，尤其是在 一类型特征识别率不高的问题。 新疆南部地区，南疆少数民族地区光照强烈并具有 面部遮挡的习惯，比如胡须、面纱、帽子、眼镜等自 1 方向边缘幅值算法描述 然遮挡物。研究者们为了排除在非均匀光照变化和 假定一幅二维人脸图像！，其人脸梯度有效信 局部遮挡下的人脸识别问题，提出了其基本方法， 息为 即基于局部二值模式(LBP)P-1、POEM的人脸识别 G.(x,y)=I(x,y)-I(x-1,y) 方法、DCT和2D-PCA相结合的改进算法、加权 G:(x,y)=I(x,y)-I(x,y-1) (1) 分块(2D)2PCA方法、Gabor人脸特征提取m等识 式中：I(x,y)代表了人脸图像中随意一点的灰度值。 别方法。 人脸图像的梯度幅值和梯度方向可以分别表示为 以上这些方法虽然具有一定的辨识能力，但是 G(xy)=VG.(xy+G,(c)月 也有不完善之处。基于LBP算法的人脸识别会导 Gy(x,y) (2) 致其所获得的LBP直方图二维向量维数过大，计算 O(x.y)=arctan G.(x.y) 量也多。单一的POEM融合了其方向和幅值特性， POEM提取人脸特征的步骤如下： 得到了很好的辨识性。但是却忽视了块与块之间的 1)给定一幅二维人脸图像，计算其梯度图，即 二维像素问题，导致其辨识能力下降。DCT和2D- 得到每个像素点的梯度图和方向图。二维人脸图像 PCA相融合的改进算法虽然能够很好地储存非均 像素点的梯度方向为 匀光照、局部遮挡等非敏感信息并将识别时间大大 0(i=1,2,…,m),范围为0~π 缩短，但在特征提取方面的计算量较大：虽然应用 0,(=1,2,…,m,范围为0~元。 (2D)2PCA和图像分块想法得到比较完善的人脸特 2)将以像素点q为中心的w×w的图像块记为 征信息，但其辨识效果不理想；Gabor人脸特征提取 Cell,并以Cell块为基本单位，构建其局部时段直方 由于其多尺度方向的维数特征过高，导致计算过程 图，此直方图表示该时段的中心二维像素点的固有 比较复杂，因此很难实现实时性和有效性需求在实 纹理特征6。 际中的应用中图。 3)对每个阶段的中心二维像素点构建最后的 同时也有不同学者提出了不同方法，殷俊等例 POEM直方图，以中心二维像素点为核心的C©l块 提出基于最近正交矩阵的二维鉴别投影及人脸识别 与别的二维像素点的Cell块来估算。 应用；Deng等o提出对光照变化具有较强适应性 4)对每一个梯度方向，编码过程是以中心二维 的PCA(principal component analysis)特征脸，用于 像素点块为核心，与圆周内的其余二维像素点块进 人脸特征表示，Y.Chen等提出基于人脸识别的稀 行如下计算。 疏嵌入式词典学习；何林巍等提出基于POEM 在一个直径为R的圆形范围，取n个像素点CELL SLPP的人脸识别算法；Z.Chen等提出了一种基 块执行编码： 于不相关判别稀疏保留投影的人脸识别方法；JLu POEM()=>f(s()2 (3) 等提出基于图像集人脸识别的并行特征与字典学 习：S.Guo等提出基于卷积神经网络和支持向量 式中：g、分别为中心二维像素点及其邻域像素点， 机的人脸识别。 S(…)为相似度函数，f(x)为其阈值为p的二值函数
的少数民族，具有独特的面部特征，并且与中亚国 家的人脸有着高度的相似面部特征，人脸识别技术 的研究对于发展当地的信息处理能力有着很大的帮 助，而且其结果会影响到中亚乃至西亚地区，具有 很大的意义。人脸识别由于其自然性具有不被个体 察觉的特点，一直以来是模式识别和机器视觉领域 的研究热点，但人脸容易受到光照、噪声、表情和遮 挡等的影响，如何有效获取人脸特征信息一直是人 脸识别研究重点[1]。 当前研究表明，对人脸图像的辨识率影响比较 大的因素主要是非均匀光照和局部遮挡,尤其是在 新疆南部地区，南疆少数民族地区光照强烈并具有 面部遮挡的习惯，比如胡须、面纱、帽子、眼镜等自 然遮挡物。研究者们为了排除在非均匀光照变化和 局部遮挡下的人脸识别问题，提出了其基本方法， 即基于局部二值模式 (LBP)[2-3] 、POEM 的人脸识别 方法[4] 、DCT 和 2D-PCA 相结合的改进算法[5] 、加权 分块 (2D)2PCA 方法[6] 、Gabor 人脸特征提取[7]等识 别方法。 以上这些方法虽然具有一定的辨识能力，但是 也有不完善之处。基于 LBP 算法的人脸识别会导 致其所获得的 LBP 直方图二维向量维数过大，计算 量也多。单一的 POEM 融合了其方向和幅值特性， 得到了很好的辨识性。但是却忽视了块与块之间的 二维像素问题，导致其辨识能力下降。DCT 和 2DPCA 相融合的改进算法虽然能够很好地储存非均 匀光照、局部遮挡等非敏感信息并将识别时间大大 缩短，但在特征提取方面的计算量较大；虽然应用 (2D)2PCA 和图像分块想法得到比较完善的人脸特 征信息，但其辨识效果不理想；Gabor 人脸特征提取 由于其多尺度方向的维数特征过高，导致计算过程 比较复杂，因此很难实现实时性和有效性需求在实 际中的应用中[8]。 同时也有不同学者提出了不同方法，殷俊等[9] 提出基于最近正交矩阵的二维鉴别投影及人脸识别 应用；Deng 等 [10] 提出对光照变化具有较强适应性 的 PCA(principal component analysis) 特征脸，用于 人脸特征表示; Y. Chen 等 [11]提出基于人脸识别的稀 疏嵌入式词典学习；何林巍等[12]提出基于 POEM_ SLPP 的人脸识别算法；Z. Chen 等 [13]提出了一种基 于不相关判别稀疏保留投影的人脸识别方法；J.Lu 等 [14]提出基于图像集人脸识别的并行特征与字典学 习；S.Guo 等 [15]提出基于卷积神经网络和支持向量 机的人脸识别。 鉴于以上工作，本文提出了二维离散余弦变换 (2DDCT) 与方向边缘幅值模式 (POEM) 相融合的 维吾尔族人脸识别算法，将二维离散余弦变换与方 向边缘幅值模式相互充分结合，在得到人脸梯度图 像的幅值和方向信息时考虑了非均匀光照与局部遮 挡对维吾尔族人脸图像整体像素的影响，使获得的 梯度信息更能反映维吾尔族人脸图像的本质特征， 从而有效克服了光照和局部遮挡对人脸识别的影 响，提取出的特征占用空间小，提高了识别率，通过 特征融合方法，增加了特征丰富度，解决了利用单 一类型特征识别率不高的问题。 1 方向边缘幅值算法描述 假定一幅二维人脸图像 I ，其人脸梯度有效信 息为 { Gx (x, y) = I(x, y)− I(x−1, y) Gx (x, y) = I(x, y)− I(x, y−1) (1) 式中： I(x, y) 代表了人脸图像中随意一点的灰度值。 人脸图像的梯度幅值和梯度方向可以分别表示为 G(x, y) = √ Gx(x, y) 2 +Gy(x, y) 2 O(x, y) = arctan Gy (x, y) Gx (x, y) (2) POEM 提取人脸特征的步骤如下： 1) 给定一幅二维人脸图像，计算其梯度图，即 得到每个像素点的梯度图和方向图。二维人脸图像 像素点的梯度方向为 θi(i = 1,2,··· ,m) ，范围为 0 ∼ π ； θi(i = 1,2,··· ,m) ，范围为 0 ∼ π。 q w×w q 2) 将以像素点 为中心的 的图像块记为 Cell，并以 Cell 块为基本单位，构建其局部时段直方 图，此直方图表示该时段的中心二维像素点 的固有 纹理特征[16]。 3) 对每个阶段的中心二维像素点构建最后的 POEM 直方图，以中心二维像素点为核心的 Cell 块 与别的二维像素点的 Cell 块来估算。 4) 对每一个梯度方向，编码过程是以中心二维 像素点块为核心，与圆周内的其余二维像素点块进 行如下计算。 在一个直径为 R 的圆形范围，取n个像素点 CELL 块执行编码： POEMθi R,w,n (q) = ∑n j=1 f ( S ( I θi q ,I θi cj ))2 j (3) Iq Ic S (···) f (x) p 式中： 、 分别为中心二维像素点及其邻域像素点， 为相似度函数， 为其阈值为 的二值函数。 ·432· 智 能 系 统 学 报 第 13 卷
第3期 伊力哈木·亚尔买买提：一种新融合算法的维吾尔族人脸识别 ·433· 然后将该固有特征点q的不同方向的POEM值 式中P(gg1)是条件概率分布。将隐藏层g视为有 级联，并获取此特征点的固有纹理特征的级联直 m个二维元素g的随机二进制矢量： 方图： POEM ()=POEM.POEM(4) P(glg)=P(glg） (8) 这样就可以获得每个二维像素点的POEM特征值。 P(g=1g）=sigm+2Wg k= 22DDCT算法描述 式中：sigm()=1/(1+e),b是第i层第j个单元元素 的误差值，W是第层的二维权矩阵。 一幅M×N人脸数字图像f(x,y),其二维离散余 预训练过程结束后，就要进行微调解训练。依 弦变换定义为 照其输入信息和重构信息损耗函数的关联程度网络 B,g=a,4∑∑Acos2m+Ecos2n+1g 二维参数进行微调解，使损耗函数尽可能地减少到 2M 2N (5) 最小，损耗函数的公式为 式中：Bp表示DCT系数1；m=0,1,,M-1;n= L(x-x)=llx-xll2 (9) 0,1…,N-1;p=0,1,…,M-1;q=0,1,…,N-1。 式中：x为训练数据信息可靠值，x为DBN的融合函 2DDCT是一种可逆的变换，它的逆变换为 数值四。 An=∑∑a,aBp,os2 D cos2n+iDg⑥ 2M 2N 4基于2DDCT与POEM融合的维吾 离散余弦变换的特点：当二维频率域改变因子 尔族人脸识别算法概述 p、9较大时，其DCT二维系数的值却较小；而二维 数值比较大的Bpg主要散布于p、q较小的坐标部 维吾尔族人脸在光照以及部分遮挡下识别率会 分，即有价值信息的集中区域。基于2DDCT二 下降并且鲁棒性会变差，因此提出了二维离散余弦 维系数重建人脸图像其实就是积存少数离散余弦 变换(2DDCT)与方向边缘幅值模式(POEM)相结 变换的非高频部分，而剔除大部分中高频部分，然 合的维吾尔族人脸识别方法。具体识别步骤如下。 后使用反变换即可构建与原始人脸图像类似的回复 1)将训练样本维吾尔族人脸图像规划为8×8子 图像。 块矩阵。 2)对规划的所有子块的维吾尔族人脸图像进 3深度学习算法人脸分类器 行2DDCT变换，将构建到的2DDCT变换系数的左 经过POEM与2DDCT融合算法后得到维吾尔 上角10个系数进行存留，并进行二维离散余弦逆变 族人脸纹理特征信息后，采用深度学习算法构建人 换得到重构的维吾尔族人脸图像。 脸分类器。深度学习算法是基于传统神经网络学习 3)对所有的训练样本维吾尔族人脸图像进行 的一种全新算法，很好解决了其传统神经网络算法 步骤1)、2)的处理后，将重构的维吾尔族人脸图像 的固有缺陷，即局部极小性在机器学习领域掀起了 构建成一个正方形块，将正方形块分割成A、B、C、 学习热潮，并引起了广泛关注。 D4个区域，通过计算POEM特征的过程，得到相 深度学习算法网络本质就是将几个深度置信网 应区域的维吾尔族人脸图像的POEM直方图。 络叠加，每个深度置信网络的可视层()看作数据输 4)按照A到D的次序过程，将所有范围内的直 入层，隐藏层()看作数据输出层，进而达到完成训 方图级联在一起，作为该中心特征点的POEM固有 练目的。 纹理直方图。 在训练的程序中，将可视向量二维值反映给隐 5)在训练阶段的人脸特征，点g在M个训练集中 元素单元，即可视元素单元由隐藏层元素单元重新 的平均POEM直方图通过式(IO)计算得来： 构建，把新的可视元素单元再次反映给隐藏层元 11 POEM(=M∑POEM. (10) 素，就产生了新的隐藏层元素，继而使用结合分布 概率阐述输入二维向量x和隐含二维向量g之间的 由此，POEML(g)就是训练过程中得到的该特 关系为 征点的纹理信息。 P(x,g,g2,…,8）= 6)最后利用深度学习算法求得样本所属类别。 P(xg')P(gg)..P(gg)P(gg) (7) 本文算法的具体流程如图1所示
然后将该固有特征点 q 的不同方向的 POEM 值 级联，并获取此特征点的固有纹理特征的级联直 方图： POEMR,w,n (q) = { POEMθ1 R,w,n ,··· ,POEMθm R,w,n } (4) 这样就可以获得每个二维像素点的 POEM 特征值。 2 2DDCT 算法描述 一幅 M ×N 人脸数字图像 f (x, y) ，其二维离散余 弦变换定义为 Bp,q = apaq ∑∑Amn cos π(2m+1) p 2M cos π(2n+1)q 2N (5) Bp,q m = 0,1,··· , M −1 0,1,··· ,N −1 p = 0,1,··· , M −1 q = 0,1,··· ,N −1 式中： 表示 DCT 系数[17] ； ；n = ； ； [18]。 2DDCT 是一种可逆的变换，它的逆变换为 Amn = ∑∑apaqBp,q cos π(2m+1) p 2M cos π(2n+1)q 2N (6) p q Bp,q 离散余弦变换的特点：当二维频率域改变因子 、 较大时，其 DCT 二维系数的值却较小；而二维 数值比较大的 主要散布于 p、q 较小的坐标部 分，即有价值信息的集中区域[19]。基于 2DDCT 二 维系数重建人脸图像其实就是积存少数离散余弦 变换的非高频部分，而剔除大部分中高频部分，然 后使用反变换即可构建与原始人脸图像类似的回复 图像。 3 深度学习算法人脸分类器 经过 POEM 与 2DDCT 融合算法后得到维吾尔 族人脸纹理特征信息后，采用深度学习算法构建人 脸分类器。深度学习算法是基于传统神经网络学习 的一种全新算法，很好解决了其传统神经网络算法 的固有缺陷，即局部极小性在机器学习领域掀起了 学习热潮，并引起了广泛关注[20]。 (v) (h) 深度学习算法网络本质就是将几个深度置信网 络叠加，每个深度置信网络的可视层 看作数据输 入层，隐藏层 看作数据输出层，进而达到完成训 练目的。 x g i 在训练的程序中，将可视向量二维值反映给隐 元素单元，即可视元素单元由隐藏层元素单元重新 构建，把新的可视元素单元再次反映给隐藏层元 素，就产生了新的隐藏层元素，继而使用结合分布 概率阐述输入二维向量 和隐含二维向量 之间的 关系为 P ( x, g 1 , g 2 ,··· , g l ) = P ( x g 1 ) P ( g 1 g 2 ) ···P ( g l−2 g l−1 ) P ( g l−1 g l ) (7) P ( g i g i+1 ) g i n i g i j 式中 是条件概率分布。将隐藏层 视为有 个二维元素 的随机二进制矢量： P ( g i g i+1 ) = n∏i j=1 P ( g i j g i+1 ) P ( g i j = 1 g i+1 ) = sigm( b i j + n i+1 ∑ k=1 Wi k j g i+1 k ) (8) sigm(t) = 1/(1+e −t ) b i j i j Wi i 式中： ， 是第 层第 个单元元素 的误差值， 是第 层的二维权矩阵。 预训练过程结束后，就要进行微调解训练。依 照其输入信息和重构信息损耗函数的关联程度网络 二维参数进行微调解，使损耗函数尽可能地减少到 最小，损耗函数的公式为 L(x− x ′ ) = ∥ x− x ′ ∥ 2 2 (9) x x 式中： 为训练数据信息可靠值， ′为 DBN 的融合函 数值[21]。 4 基于 2DDCT 与 POEM 融合的维吾 尔族人脸识别算法概述 维吾尔族人脸在光照以及部分遮挡下识别率会 下降并且鲁棒性会变差，因此提出了二维离散余弦 变换 (2DDCT) 与方向边缘幅值模式 (POEM) 相结 合的维吾尔族人脸识别方法。具体识别步骤如下。 1) 将训练样本维吾尔族人脸图像规划为 8×8 子 块矩阵。 2) 对规划的所有子块的维吾尔族人脸图像进 行 2DDCT 变换，将构建到的 2DDCT 变换系数的左 上角 10 个系数进行存留，并进行二维离散余弦逆变 换得到重构的维吾尔族人脸图像。 3) 对所有的训练样本维吾尔族人脸图像进行 步骤 1)、2) 的处理后，将重构的维吾尔族人脸图像 构建成一个正方形块，将正方形块分割成 A、B、C、 D 4 个区域，通过计算 POEM 特征的过程，得到相 应区域的维吾尔族人脸图像的 POEM 直方图。 4) 按照 A 到 D 的次序过程，将所有范围内的直 方图级联在一起，作为该中心特征点的 POEM 固有 纹理直方图。 5) 在训练阶段的人脸特征点 q 在 M 个训练集中 的平均 POEM 直方图通过式 (10) 计算得来： POEML,w,n (q) = 1 M ∑M i=1 POEML,w,n (q) (10) 由此， POEML,w,n (q) 就是训练过程中得到的该特 征点的纹理信息。 6) 最后利用深度学习算法求得样本所属类别。 本文算法的具体流程如图 1 所示。 第 3 期 伊力哈木·亚尔买买提：一种新融合算法的维吾尔族人脸识别 ·433·
·434· 智能系统学报 第13卷 维吾尔族 Bw系数 构建 Anm系数 IDCT 重建维吾尔族 POEMg.n( 构建POEM 人脸图像 2DDCT变换 逆变换 人脸图像 特征直方图 识别结果 深度学习 维吾尔族人脸图像 POEM 训练平均 算法分类 特征点的纹理信息 POEM直方图 图12DDCT与POEM融合的维吾尔族人脸识别算法流程 Fig.1 Uygur face recognition algorithm flow of 2DDCT and POEM fusion 5实验结果及分析 表1不同算法下的人脸识别率 Table 1 Face recognition rate under different algorithms 5.1非均匀光照下维吾尔族人脸数据库实验 2DDCT/DCT+PCA/ DCT+LDA/ 本文算法/ 维数 在这部分实验中，使用了课题组成员自己收集 % % % % 并自建的光照下的100幅男性维吾尔族人脸图像数 20 73 76 85 据库，其维吾尔族人脸图像均来自新疆不同地区、 40 78 79 84 89 不同年龄段、不同性别，具有典型的代表性。在实 60 83 83.5 85 90 验中选取20幅图像作为训练样本，其余为测试图 80 84 85 86 91 像，如图2所示。 100 85 86 0 92 120 86 87 87.5 95 140 87 88 88 96 160 87.5 88.5 88.5 97 180 88 89 90 98 200 89 90 91 99 5.2局部遮挡下维吾尔族人脸数据库实验 本文采用了局部遮挡下自建的维吾尔族人脸自 建数据库，包含戴墨镜、戴围巾和胡子。选取了 120幅遮挡下的维吾尔族人脸，将含有30幅戴墨 图2非均匀光照维吾尔族人脸自建部分数据库 镜、30幅戴围巾、30幅有胡子的维吾尔族人脸作为 Fig.2 Non-uniform illumination Uygur face self-built part 训练样本，其余的作为测试样本。在局部遮挡下的 of the database 维吾尔族人脸实验中，设不确定的遮挡因素占据整 从图3、表1中的识别率可以看到，本文算法对 个脸部的10%~20%，确定因素即墨镜大概占据了整 维吾尔族人脸数据库的识别达到了很高的效果，识 个脸部的30%左右，围巾大概占据了整个脸部的 别率也比传统的识别算法具有很大的提升，因为维 40%左右，胡子加墨镜大概占据了整个脸部的 吾尔族人脸图像的全局特征和局部特征比较明显， 50%左右，口罩大概占据了45%左右。本文中采用 因此该算法很适合识别维吾尔族人脸。 了部分维吾尔族人脸加以实验，如图4所示。 100 95 90 米-米米米=米=米=米米 oo 85 ◆ 80 375 70 2DDCT 5 60 020406080100120140160180200 维数/个 图3非均匀光照下维吾尔族人脸识别率 Fig.3 The recognition rate of Uygur characters in non- 图4局部遮挡下的维吾尔族人脸自建部分数据库 uniform illumination Fig.4 Local Uygur face self-built partial database
䛹ᐦ㐠४ᅀ Ϧ㙤ప ᲰᐦPOEM ➥ᒭⰠప 㐠४ᅀ Ϧ㙤ప IDCT 䔲ऄᢎ Ჰᐦ 2DDCTऄᢎ 䃲ݗ⌝ galᏒ႒Ό ッ∁ܲㆧ 㐠४ᅀϦ㙤ప ➥ᒭ◥⮰㏥⤲ԍᖛ 䃙㏯ POEMⰠప Bp,q㈧ Amn㈧ POEMR,w,n(q) POEML,w,n(q) 图 1 2DDCT 与 POEM 融合的维吾尔族人脸识别算法流程 Fig. 1 Uygur face recognition algorithm flow of 2DDCT and POEM fusion 5 实验结果及分析 5.1 非均匀光照下维吾尔族人脸数据库实验 在这部分实验中，使用了课题组成员自己收集 并自建的光照下的 100 幅男性维吾尔族人脸图像数 据库，其维吾尔族人脸图像均来自新疆不同地区、 不同年龄段、不同性别，具有典型的代表性。在实 验中选取 20 幅图像作为训练样本，其余为测试图 像，如图 2 所示。 图 2 非均匀光照维吾尔族人脸自建部分数据库 Fig. 2 Non-uniform illumination Uygur face self-built part of the database 从图 3、表 1 中的识别率可以看到，本文算法对 维吾尔族人脸数据库的识别达到了很高的效果，识 别率也比传统的识别算法具有很大的提升，因为维 吾尔族人脸图像的全局特征和局部特征比较明显， 因此该算法很适合识别维吾尔族人脸。 100 95 90 85 80 75 70 65 60 䃲ݗ⢳/% 0 20 40 60 80 100 120 140 160 180 200 㐠/͖ DCT+PCA 本文算法 2DDCT DCT+LDA 图 3 非均匀光照下维吾尔族人脸识别率 Fig. 3 The recognition rate of Uygur characters in nonuniform illumination 表 1 不同算法下的人脸识别率 Table 1 Face recognition rate under different algorithms 维数 2DDCT/ % DCT+PCA/ % DCT+LDA/ % 本文算法/ % 20 73 76 83 85 40 78 79 84 89 60 83 83.5 85 90 80 84 85 86 91 100 85 86 87 92 120 86 87 87.5 95 140 87 88 88 96 160 87.5 88.5 88.5 97 180 88 89 90 98 200 89 90 91 99 5.2 局部遮挡下维吾尔族人脸数据库实验 本文采用了局部遮挡下自建的维吾尔族人脸自 建数据库，包含戴墨镜、戴围巾和胡子。选取了 120 幅遮挡下的维吾尔族人脸，将含有 30 幅戴墨 镜、30 幅戴围巾、30 幅有胡子的维吾尔族人脸作为 训练样本，其余的作为测试样本。在局部遮挡下的 维吾尔族人脸实验中，设不确定的遮挡因素占据整 个脸部的 10%~20%，确定因素即墨镜大概占据了整 个脸部的 30% 左右，围巾大概占据了整个脸部的 40% 左右，胡子加墨镜大概占据了整个脸部的 50% 左右，口罩大概占据了 45% 左右。本文中采用 了部分维吾尔族人脸加以实验，如图 4 所示。 图 4 局部遮挡下的维吾尔族人脸自建部分数据库 Fig. 4 Local Uygur face self-built partial database ·434· 智 能 系 统 学 报 第 13 卷
第3期 伊力哈木·亚尔买买提：一种新融合算法的维吾尔族人脸识别 ·435· 从图5、表2中的识别率效果来看，本文所提出 500 2DDCT DCT+LDA 的算法在局部遮挡下的维吾尔族人脸自建数据库中 400 +DCT+PCA+本文算法 的实验识别率最好。当遮挡率的面积在10%左右 300 时，除了2DDCT算法剩下的3个算法识别率都达 200 到了90%以上；遮挡率在20%~30%时候，基于 100 2DDCT算法识别率下降到了70%左右，而DCT+ 0 00 200 300 400 500 LDA算法和DCT+PCA算法的识别率也相应地下 图像总数/个 降到了90%以下，本文所提出的算法识别率依然很 图6不同算法的运行时间对比曲线图 高，仍然在90%以上；当遮挡率在40%左右时候， Fig.6 Comparison of runtime of different algorithms 除了本文所提出的算法识别率仍然在90%以上之 由图6、表3中的数据显示，本文所提出的算法 外，其他3个算法其识别率下降都比较快；最后遮 在计算机运行上有很大程度的提高，比DCT+LDA 挡率在50%左右时候，可以看到，本文所提出的算 算法的速度提升了71.8%，比2DDCT算法速度提 法识别率高居榜首，在87.2%，而其余3个算法均低 升了69%，比DCT+PCA算法速度提升了57%。这 于60%。由此可见，本文所提出的算法在局部遮挡 下的维吾尔族人脸自建数据库的实验中，具有很强 说明，本文提出的算法在自建维吾尔族人脸库上的 的鲁棒性。 运行时间有很大的优势，很大程度上缩短了时间。 表3不同时间处理每幅图像的平均时间 1.0 0.9 Table 3 The average processing time for each image at dif- 0.8 ferent times 8 识别算法 平均运行时间/s 虽05 系04 DCT+LDA算法 0.652 0.3 2DDCT 0.2 2DDCT算法 0.611 0.1 0 10 2030 4050 DCT+PCA算法 0.432 遮挡率% 本文算法 0.184 图5局部遮挡下的维吾尔族人脸识别率 Fig.5 Uygur face recognition rate under local occlusion 表2局部遮挡下不同算法之间的人脸识别率 6结束语 Table 2 Face recognition rate among different algorithms 本文通过研究非均匀光照与局部遮挡因素干扰 under local occlusion 维吾尔族人脸识别效果，影响维吾尔族人脸的特征 遮挡率I2DDCT/DCT+LDA/DCT+PCAW 本文算法/ 提取效率和维吾尔族人脸识别正确率的问题，提出 % % % % % 了二维离散余弦变换(2DDCT)与方向边缘幅值模 10 81.3 94.3 97.2 99.1 20 74.8 93 96.1 98.3 式(POEM相结合的维吾尔族人脸识别方法。本算 30 70.3 84 89.2 98.2 法很好地降低了维吾尔族人脸图像所需的特征维 40 60.3 69.6 65.7 96 数，进一步缩短了计算量，并获得了维吾尔族人脸 50 47.8 52 55.1 87.2 的纹理特征信息，最后采用深度学习算法进行分类 识别。实验表明，本文算法在提高维吾尔族人脸有 5.3不同算法的运行时间分析 很高的识别率，鲁棒性强，拥有很好的优势。在今 基于运算速度考虑，在AMDA6-3420MAPU 后的工作中，将就维吾尔族人脸在非均匀光照和局 2.4GHz的CPU,4GB内存的计算机上，利用MATLAB 部遮挡方面做进一步研究，以便提高其辨识率。 R2010a软件进行了本文算法、DCT+LDA算法、 2DDCT算法及DCT+PCA算法在非均匀光照变化 参考文献： 下与经过遮挡的维吾尔人脸自建数据库下的人脸识 [1]LU Jiwen,WANG Gang,DENG Jie.Simultaneous feature 别的处理运算速度的对比。实验中，采用了100， and dictionary learning for image set based face recognition 150,·,500个具有不同地区、不同性别、不同遮挡物 [J].IEEE transactions on image processing,2017,26(8): 的维吾尔人脸图像来实验，利用其时间计时功能函 4042-4054. 数tic与toc来运行不同算法，并总结出其不同的运 [2]AHONEN T,HADID A,PIETIKAINEN M.Face descrip- 算时间所对应的不同算法，其结果如图6所示。 tion with local binary patterns:application to face recogni-
从图 5、表 2 中的识别率效果来看，本文所提出 的算法在局部遮挡下的维吾尔族人脸自建数据库中 的实验识别率最好。当遮挡率的面积在 10% 左右 时，除了 2DDCT 算法剩下的 3 个算法识别率都达 到了 90% 以上；遮挡率在 20%~30% 时候，基于 2DDCT 算法识别率下降到了 70% 左右，而 DCT+ LDA 算法和 DCT+PCA 算法的识别率也相应地下 降到了 90% 以下，本文所提出的算法识别率依然很 高，仍然在 90% 以上；当遮挡率在 40% 左右时候， 除了本文所提出的算法识别率仍然在 90% 以上之 外，其他 3 个算法其识别率下降都比较快；最后遮 挡率在 50% 左右时候，可以看到，本文所提出的算 法识别率高居榜首，在 87.2%，而其余 3 个算法均低 于 60%。由此可见，本文所提出的算法在局部遮挡 下的维吾尔族人脸自建数据库的实验中，具有很强 的鲁棒性。 1.0 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 䃲ݗ⢳/% 0 10 20 30 40 50 䖚ᡍ⢳/% DCT+PCA 本文算法 2DDCT DCT+LDA 图 5 局部遮挡下的维吾尔族人脸识别率 Fig. 5 Uygur face recognition rate under local occlusion 表 2 局部遮挡下不同算法之间的人脸识别率 Table 2 Face recognition rate among different algorithms under local occlusion 遮挡率/ % 2DDCT/ % DCT+LDA/ % DCT+PCA/ % 本文算法/ % 10 81.3 94.3 97.2 99.1 20 74.8 93 96.1 98.3 30 70.3 84 89.2 98.2 40 60.3 69.6 65.7 96 50 47.8 52 55.1 87.2 5.3 不同算法的运行时间分析 150,··· ,500 基于运算速度考虑，在 AMD A6-3420M APU 2.4 GHz 的 CPU，4 GB 内存的计算机上，利用 MATLAB R2010a 软件进行了本文算法、DCT+LDA 算法、 2DDCT 算法及 DCT+PCA 算法在非均匀光照变化 下与经过遮挡的维吾尔人脸自建数据库下的人脸识 别的处理运算速度的对比。实验中，采用了 100, 个具有不同地区、不同性别、不同遮挡物 的维吾尔人脸图像来实验，利用其时间计时功能函 数 tic 与 toc 来运行不同算法，并总结出其不同的运 算时间所对应的不同算法，其结果如图 6 所示。 500 400 300 200 100 0 䓼㵸ᬢ䬠/s 100 200 300 400 500 పᕧ/͖ DCT+PCA 本文算法 2DDCT DCT+LDA 图 6 不同算法的运行时间对比曲线图 Fig. 6 Comparison of runtime of different algorithms 由图 6、表 3 中的数据显示，本文所提出的算法 在计算机运行上有很大程度的提高，比 DCT+LDA 算法的速度提升了 71.8%，比 2DDCT 算法速度提 升了 69%，比 DCT+PCA 算法速度提升了 57%。这 说明，本文提出的算法在自建维吾尔族人脸库上的 运行时间有很大的优势，很大程度上缩短了时间。 表 3 不同时间处理每幅图像的平均时间 Table 3 The average processing time for each image at different times 识别算法 平均运行时间/s DCT+LDA 算法 0.652 2DDCT 算法 0.611 DCT+PCA 算法 0.432 本文算法 0.184 6 结束语 本文通过研究非均匀光照与局部遮挡因素干扰 维吾尔族人脸识别效果，影响维吾尔族人脸的特征 提取效率和维吾尔族人脸识别正确率的问题，提出 了二维离散余弦变换 (2DDCT) 与方向边缘幅值模 式 (POEM) 相结合的维吾尔族人脸识别方法。本算 法很好地降低了维吾尔族人脸图像所需的特征维 数，进一步缩短了计算量，并获得了维吾尔族人脸 的纹理特征信息，最后采用深度学习算法进行分类 识别。实验表明，本文算法在提高维吾尔族人脸有 很高的识别率，鲁棒性强，拥有很好的优势。在今 后的工作中，将就维吾尔族人脸在非均匀光照和局 部遮挡方面做进一步研究，以便提高其辨识率。 参考文献： LU Jiwen, WANG Gang, DENG Jie. Simultaneous feature and dictionary learning for image set based face recognition [J]. IEEE transactions on image processing, 2017, 26(8): 4042–4054. [1] AHONEN T, HADID A, PIETIKAINEN M. Face description with local binary patterns: application to face recogni- [2] 第 3 期 伊力哈木·亚尔买买提：一种新融合算法的维吾尔族人脸识别 ·435·
·436· 智能系统学报 第13卷 tion[J].IEEE transactions on pattern analysis and machine HE Linwei,HUANG Fuzhen.Face recognition algorithm intelligence,.2006,28(12):2037-2041 based on POEM_SLPP[J].Application research of com- [3]周汐，曹林.分块LBP的素描人脸识别.中国图象图形 puters,2017,34(6):1896-1899. 学报，2015,20(1)：50-58. [13]CHEN Zhanwei,HUANG Wei,LV Zhihan.Towards a ZHOU Xi,CAO Lin.The sketch face recognition combin- face recognition method based on uncorrelated discrimin- ing with AdaBoost and blocking LBP[J].Journal of image ant sparse preserving projection[J].Multimedia tools and and graphics,2015,20(1):50-58. applications,2017,76(17):17669-17683 [4]VU N S,DEE H M,CAPLIER A.Face recognition using [14]Lu J,Liong V E,Wang G,et al.Joint feature learning for the POEM descriptor[J].Pattern recognition,2012,45(7): face recognition[J].IEEE transactions on information 2478-2488 forensics and security,2017,10(7):1371-1383 [5]ZHANG Haiyang.Face recognition based on DCT and [15]GUO Shanshan,CHEN Shiyu,LI Yanjie.Face recognition PCA[M]//WAN Xiaofeng.Electrical Power Systems and based on convolutional neural network and support vector Computers.Berlin,Heidelberg,2011:451-455. machine[C]//Proceedings of IEEE International Confer- [6]SONG Haifeng,CHEN Guangsheng,WEI Hairong,et al. ence on Information and Automation.Ningbo,China, The improved(2D)2 PCA algorithm and its parallel imple- 2017:1787-1792 mentation based on image block[J].Microprocessors and [16]DING Changxing,CHOI J,TAO Dacheng,et al.Multi-dir- microsystems,2016,47:170-177. ectional multi-level dual-cross patterns for robust face re- [7]BHAT F A,WANI M A.Gabor wavelet based face recogni- cognition[J].IEEE transactions on pattern analysis and ma- tion under varying lighting,pose and expression conditions chine intelligence,2016,38(3):518-531 [C]//Proceedings of the 2nd International Conference on [17]DA MARSICO M,NAPPI M,RICCIO D,et al.Robust Computing for Sustainable Global Development.New Del- face recognition for uncontrolled pose and illumination hi,Indi,2015:1314-1318. changes[].IEEE transactions on systems,man,and cyber- [8]GAO Xiaojing,XUE Heru,PAN Xin,et al.Mongolia na- netics:systems,.2012,43(1):149-163. tionality face recognition based on G(2D)2PCA and SVM [18]KUSUMA G P.CHUA C S.PCA-based image recombina- Classification[C]//Proceedings of the 4th International Con- tion for multimodal 2D +3D face recognition[J].Image ference on Information Science and Control Engineering. and vision computing,2011,29(5):306-316. Changsha,China,2017:461-465.) [19]BENGHERABI M,MEZAI L,HARIZI F.2DPCA-based 9]股俊，孙仕亮.基于最近正交矩阵的二维鉴别投影及人脸 techniques in DCT domain for face recognition[J.Interna- 识别应用.计算机轴助设计与图形学学报，2017,29(8) tional journal of intelligent systems technologies and ap- 1457-1464 plications.2009,7(3):243-265. YIN Jun,SUN Shiliang.Two dimensional discriminative [20]FANG Bingwu,HUANG Zhiqiu,LI Yong,et al.-Sup- projection based on nearest orthogonal matrix and its applic- port vector machine based on discriminant sparse neighbor- ation to face recognition[J].Journal of computer-aided hood preserving embedding[J].Pattern analysis and applic- design&computer graphics,2017,29(8):1457-1464. ations,2017,20(4):1077-1089 [10]DENG Weihong,HU Jiani,LU Jiwen,et al.Transform-in- [21]BENGIO Y.Learning deep architectures for Al[J].Found- variant PCA:A unified approach to fully automatic face- ations and trends in machine learning,2009,2(1):1-127. Alignment,representation,and recognition[J].IEEE Trans- 作者简介： actions on pattern analysis and machine intelligence,2014, 36(6):1275-1284 伊力哈木·亚尔买买提，男， 1978年生，副教授，主要研究方向为 [11]CHEN Yefei,SU Jianbo.Sparse embedded dictionary 图像处理、模式识别。主持参与国家 learning on face recognition[J].Pattern recognition,2017, 自然科学基金项目5项，发表核心学 64:51-59. 术论文数十篇。 [12]何林巍，黄福珍.基于POEM_SLPP的人脸识别算法[仞. 计算机应用研究，2017,34(6：1896-1899
tion[J]. IEEE transactions on pattern analysis and machine intelligence, 2006, 28(12): 2037–2041. 周汐, 曹林. 分块 LBP 的素描人脸识别[J]. 中国图象图形 学报, 2015, 20(1): 50–58. ZHOU Xi, CAO Lin. The sketch face recognition combining with AdaBoost and blocking LBP[J]. Journal of image and graphics, 2015, 20(1): 50–58. [3] VU N S, DEE H M, CAPLIER A. Face recognition using the POEM descriptor[J]. Pattern recognition, 2012, 45(7): 2478–2488. [4] ZHANG Haiyang. Face recognition based on DCT and PCA[M]//WAN Xiaofeng. Electrical Power Systems and Computers. Berlin, Heidelberg, 2011: 451–455. [5] SONG Haifeng, CHEN Guangsheng, WEI Hairong, et al. The improved (2D)2 PCA algorithm and its parallel implementation based on image block[J]. Microprocessors and microsystems, 2016, 47: 170–177. [6] BHAT F A, WANI M A. Gabor wavelet based face recognition under varying lighting, pose and expression conditions [C]//Proceedings of the 2nd International Conference on Computing for Sustainable Global Development. New Delhi, Indi, 2015: 1314–1318. [7] GAO Xiaojing, XUE Heru, PAN Xin, et al. Mongolia nationality face recognition based on G(2D)2PCA and SVM Classification[C]//Proceedings of the 4th International Conference on Information Science and Control Engineering. Changsha, China, 2017: 461–465.) [8] 殷俊, 孙仕亮. 基于最近正交矩阵的二维鉴别投影及人脸 识别应用[J]. 计算机辅助设计与图形学学报, 2017, 29(8): 1457–1464. YIN Jun, SUN Shiliang. Two dimensional discriminative projection based on nearest orthogonal matrix and its application to face recognition[J]. Journal of computer-aided design & computer graphics, 2017, 29(8): 1457–1464. [9] DENG Weihong, HU Jiani, LU Jiwen, et al. Transform-invariant PCA: A unified approach to fully automatic faceAlignment, representation, and recognition[J]. IEEE Transactions on pattern analysis and machine intelligence, 2014, 36(6): 1275–1284. [10] CHEN Yefei, SU Jianbo. Sparse embedded dictionary learning on face recognition[J]. Pattern recognition, 2017, 64: 51–59. [11] 何林巍, 黄福珍. 基于 POEM_SLPP 的人脸识别算法[J]. 计算机应用研究, 2017, 34(6): 1896–1899. [12] HE Linwei, HUANG Fuzhen. Face recognition algorithm based on POEM_SLPP[J]. Application research of computers, 2017, 34(6): 1896–1899. CHEN Zhanwei, HUANG Wei, LV Zhihan. Towards a face recognition method based on uncorrelated discriminant sparse preserving projection[J]. Multimedia tools and applications, 2017, 76(17): 17669–17683. [13] Lu J, Liong V E, Wang G, et al. Joint feature learning for face recognition[J]. IEEE transactions on information forensics and security, 2017, 10(7): 1371–1383. [14] GUO Shanshan, CHEN Shiyu, LI Yanjie. Face recognition based on convolutional neural network and support vector machine[C]//Proceedings of IEEE International Conference on Information and Automation. Ningbo, China, 2017: 1787–1792. [15] DING Changxing, CHOI J, TAO Dacheng, et al. Multi-directional multi-level dual-cross patterns for robust face recognition[J]. IEEE transactions on pattern analysis and machine intelligence, 2016, 38(3): 518–531. [16] DA MARSICO M, NAPPI M, RICCIO D, et al. Robust face recognition for uncontrolled pose and illumination changes[J]. IEEE transactions on systems, man, and cybernetics: systems, 2012, 43(1): 149–163. [17] KUSUMA G P, CHUA C S. PCA-based image recombination for multimodal 2D + 3D face recognition[J]. Image and vision computing, 2011, 29(5): 306–316. [18] BENGHERABI M, MEZAI L, HARIZI F. 2DPCA-based techniques in DCT domain for face recognition[J]. International journal of intelligent systems technologies and applications, 2009, 7(3): 243–265. [19] FANG Bingwu, HUANG Zhiqiu, LI Yong, et al. υ-Support vector machine based on discriminant sparse neighborhood preserving embedding[J]. Pattern analysis and applications, 2017, 20(4): 1077–1089. [20] BENGIO Y. Learning deep architectures for AI[J]. Foundations and trends in machine learning, 2009, 2(1): 1–127. [21] 作者简介： 伊力哈木 · 亚尔买买提，男， 1978 年生，副教授，主要研究方向为 图像处理、模式识别。主持参与国家 自然科学基金项目 5 项，发表核心学 术论文数十篇。 ·436· 智 能 系 统 学 报 第 13 卷