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·