.398 智能系统学报 第9卷 每个种类的训练样本集由其10个物体类均随 时脸部表情也在不断地变化。在两个数据库的预处 机抽取的10张图像组成，即每个种类的训练样本集 理中，首先用Viola P的人脸检测方法[2o]从视频序 含有100个样本，而剩余的31张图像组成每个物体 列的视频帧中提取人脸区域。为了简化计算，把得 类的测试集。实验中，从八大种类中选取2个不同 到的人脸图像重新采样，使其大小为32×32。 的种类进行分类测试，共有28种组合，即(1,2)， 4.2基于VidTIMIT数据库的人脸识别 (1,3),…,(6,7),(6,8),(7,8)。由这2个种类的 首先在VidTIMIT数据库上对本文算法进行测 训练样本共同组成算法的训练集X0,再分别为这 试。图4显示了VidTIMIT数据库中一些样本图像。 2个种类构建测试集：从每个种类对应的10个物体 类中随机选取一个物体类，再从此物体类中选取10 个样本组成多观测样本，即为该种类的测试集。对 28种组合中的每个组合进行10次随机实验，每个 组合要对2个测试集进行测试，所以实验中的每个 结果都是560次随机实验的均值，如表1所示。 表1在ETH80数据库上的识别率 Table 1 Object recognition rate measured on the ETH-80 database /% 图4 VidTIMIT数据库中的样本图像 算法 KLD MSM KMSM 本文SVM Fig.4 Sample images in the VidTIMIT database 识别率 85.714 97.500 91.071 98.036 由于数据库含有3个时间段的视频序列，因此 实验结果表明，本文SVM算法在ETH-80数据 采用下面的标准度量算法的性能： 库上的识别率很高，并且该算法优于其他3种算法， 3 eli,j) 这就说明了基于SVM的多观测样本二分类算法的 6台j=: 有效性。 式中：e(i,》表示第i个时间段的数据作为训练集， 第广个时间段的数据作为测试集时的分类正确率。 4基于视频的人脸识别 也就是说e是以下6次实验的平均正确率，即(1， 4.1实验数据集 2),(1,3),(2,1),(2,3),(3,1)和(3,2)。在这6 为了验证基于SVM的多观测样本二分类算法 次实验的每次实验中，选取2种不同类别的数据进 的有效性，在基于视频序列的人脸识别问题中进行 行实验，共有45种组合，即(1,2)，（1,3)，…，(9， 实验，把视频中不同的视频帧作为同一个人的多观 8),(9,10)。再由这2类在第i个时间段中的图像 测样本。由于视频中人的头部姿势，人脸表情和光 集共同组成算法的训练集X”,而这2类在第j个 照都是变化的，所以本节是在真实的环境中验证所 时间段的图像集作为算法的测试集，即多观测样本。 提算法的有效性。把所提算法与4.2节中描述的 该实验对不同大小的多观测样本进行了实验，样本 KLD,MISM和KMSM进行比较。由于实验中所用视 数目m=[4:4:16]。对于不同数目的多观测样本 频序列的视频帧在时间上是连续的，因此，该算法同 数据集X),45种组合中的每个组合都有2个测试 样适用于基于图像集的人脸识别问题。 集，因此每个组合要进行2次测试。所以实验中的 实验中，使用2个数据库：VidTIMIT数据库18) 每个e(i,j)都是90次实验的均值，每个结果e是 和Honda/UCSD19]数据库的第1部分。VidTIMIT 540次随机实验的结果，实验结果如表2所示。 数据库包含了43个人在3个时间段的人脸视频序 表2在VidTIMIT数据库上的识别率 列，其中第1个和第2个时间段间隔7天，第2和第 Table 2 Recognition results on the VidTIMIT database/% 3个时间段间隔6天。每一个视频序列中，被拍摄 样本数目mKD MSM KMSM 本文SVM 者头部在不断运动：向左，向右，回到中间，再向下， 4 50.600 72.965 86.157 97.287 向上，再回到中间位置。Honda/UCSD数据库包含 8 88.410 89.277 92.229 98.828 了20个人的59个视频序列，每个人有2~5个视频 12 94.630 95.995 95.496 99.148 序列。与VidTIMIT数据库不同的是，Honda/UCSD 16 96.630 96.742 96.244 99.003 数据库的被拍摄者以不同的速度自由移动头部，同每个种类的训练样本集由其 员园 个物体类均随 机抽取的 员园 张图像组成袁即每个种类的训练样本集 含有 员园园 个样本袁而剩余的 猿员 张图像组成每个物体 类的测试集遥 实验中袁从八大种类中选取 圆 个不同 的种类进行分类测试袁共有 圆愿 种组合袁即 渊员袁圆冤 袁 渊员袁猿冤 袁噎袁渊远袁苑冤 袁渊远袁愿冤 袁渊苑袁愿冤 遥 由这 圆 个种类的 训练样本共同组成算法的训练集 载渊造冤 袁再分别为这 圆 个种类构建测试集院从每个种类对应的 员园 个物体 类中随机选取一个物体类袁再从此物体类中选取 员园 个样本组成多观测样本袁即为该种类的测试集遥 对 圆愿 种组合中的每个组合进行 员园 次随机实验袁每个 组合要对 圆 个测试集进行测试袁所以实验中的每个 结果都是 缘远园 次随机实验的均值袁如表 员 所示遥 表 员摇 在 耘栽匀鄄愿园 数据库上的识别率 栽葬遭造藻 员摇 韵遭躁藻糟贼 则藻糟燥早灶蚤贼蚤燥灶 则葬贼藻 皂藻葬泽怎则藻凿 燥灶 贼澡藻 耘栽匀原愿园 凿葬贼葬遭葬泽藻 辕 豫 算法 运蕴阅 酝杂酝 运酝杂酝 本文 杂灾酝 识别率 愿缘援苑员源 怨苑援缘园园 怨员援园苑员 怨愿援园猿远 摇 摇 实验结果表明袁本文 杂灾酝 算法在 耘栽匀鄄愿园 数据 库上的识别率很高袁并且该算法优于其他 猿 种算法袁 这就说明了基于 杂灾酝 的多观测样本二分类算法的 有效性遥 源摇 基于视频的人脸识别 源援员摇 实验数据集 为了验证基于 杂灾酝 的多观测样本二分类算法 的有效性袁在基于视频序列的人脸识别问题中进行 实验袁把视频中不同的视频帧作为同一个人的多观 测样本遥 由于视频中人的头部姿势袁人脸表情和光 照都是变化的袁所以本节是在真实的环境中验证所 提算法的有效性遥 把所提算法与 源援圆 节中描述的 运蕴阅袁酝杂酝 和 运酝杂酝 进行比较遥 由于实验中所用视 频序列的视频帧在时间上是连续的袁因此袁该算法同 样适用于基于图像集的人脸识别问题遥 实验中袁使用 圆 个数据库院灾蚤凿栽陨酝陨栽 数据库咱员愿暂 和 匀燥灶凿葬 辕 哉悦杂阅咱员怨暂 数据库的第 员 部分遥 灾蚤凿栽陨酝陨栽 数据库包含了 源猿 个人在 猿 个时间段的人脸视频序 列袁其中第 员 个和第 圆 个时间段间隔 苑 天袁第 圆 和第 猿 个时间段间隔 远 天遥 每一个视频序列中袁被拍摄 者头部在不断运动院向左袁向右袁回到中间袁再向下袁 向上袁再回到中间位置遥 匀燥灶凿葬 辕 哉悦杂阅 数据库包含 了 圆园 个人的 缘怨 个视频序列袁每个人有 圆耀缘 个视频 序列遥 与 灾蚤凿栽陨酝陨栽 数据库不同的是袁匀燥灶凿葬 辕 哉悦杂阅 数据库的被拍摄者以不同的速度自由移动头部袁同 时脸部表情也在不断地变化遥 在两个数据库的预处 理中袁首先用 灾蚤燥造葬 孕 的人脸检测方法咱圆园暂 从视频序 列的视频帧中提取人脸区域遥 为了简化计算袁把得 到的人脸图像重新采样袁使其大小为 猿圆伊猿圆遥 源援圆摇 基于 灾蚤凿栽陨酝陨栽 数据库的人脸识别 首先在 灾蚤凿栽陨酝陨栽 数据库上对本文算法进行测 试遥 图 源 显示了 灾蚤凿栽陨酝陨栽 数据库中一些样本图像遥 图 源摇 灾蚤凿栽陨酝陨栽 数据库中的样本图像 云蚤早援源摇 杂葬皂责造藻 蚤皂葬早藻泽 蚤灶 贼澡藻 灾蚤凿栽陨酝陨栽 凿葬贼葬遭葬泽藻 由于数据库含有 猿 个时间段的视频序列袁因此 采用下面的标准度量算法的性能院 藻 原 越 员 远 移 猿 蚤 越 员 移 猿 躁 越 员袁躁屹蚤 藻渊蚤袁躁冤 式中院 藻渊蚤袁躁冤 表示第 蚤 个时间段的数据作为训练集袁 第 躁 个时间段的数据作为测试集时的分类正确率遥 也就是说 藻 原 是以下 远 次实验的平均正确率袁即 渊员袁 圆冤 袁渊员袁猿冤 袁渊圆袁员冤 袁渊圆袁猿冤 袁渊猿袁员冤 和渊猿袁圆冤 遥 在这 远 次实验的每次实验中袁选取 圆 种不同类别的数据进 行实验袁共有 源缘 种组合袁即 渊员袁圆冤 袁 渊员袁猿冤 袁噎袁 渊怨袁 愿冤 袁渊怨袁员园冤 遥 再由这 圆 类在第 蚤 个时间段中的图像 集共同组成算法的训练集 载渊造冤 袁而这 圆 类在第 躁 个 时间段的图像集作为算法的测试集袁即多观测样本遥 该实验对不同大小的多观测样本进行了实验袁样本 数目 皂 越 咱源院源院员远暂 遥 对于不同数目的多观测样本 数据集 载渊怎冤 袁源缘 种组合中的每个组合都有 圆 个测试 集袁因此每个组合要进行 圆 次测试遥 所以实验中的 每个 藻渊蚤袁躁冤 都是 怨园 次实验的均值袁每个结果 藻 原 是 缘源园 次随机实验的结果袁实验结果如表 圆 所示遥 表 圆摇 在 灾蚤凿栽陨酝陨栽 数据库上的识别率 栽葬遭造藻 圆摇 砸藻糟燥早灶蚤贼蚤燥灶 则藻泽怎造贼泽 燥灶 贼澡藻 灾蚤凿栽陨酝陨栽 凿葬贼葬遭葬泽藻 辕 豫 样本数目 皂 运蕴阅 酝杂酝 运酝杂酝 本文 杂灾酝 源 缘园援远园园 苑圆援怨远缘 愿远援员缘苑 怨苑援圆愿苑 愿 愿愿援源员园 愿怨援圆苑苑 怨圆援圆圆怨 怨愿援愿圆愿 员圆 怨源援远猿园 怨缘援怨怨缘 怨缘援源怨远 怨怨援员源愿 员远 怨远援远猿园 怨远援苑源圆 怨远援圆源源 怨怨援园园猿 窑猿怨愿窑 智 能 系 统 学 报摇摇摇摇摇摇摇摇摇摇摇摇摇摇摇摇摇摇 第 怨 卷