基于图像分块和RBF神经网络的人脸识别方法.doc

基于图像分块和 神经网络的人脸识别方法 RBF 吴成东1 ，陈 彪2 ，郑君刚2 (1. 沈阳建筑大学信息与控制工程学院，辽宁 沈阳 110168;2. 沈阳建筑大学理学院，辽宁 沈阳 110168) 摘 要:目的 提出一种基于图像分块和径向基函数( RBF) 神经网络的人脸特征提取与识别方 法，解决人脸识别中的高维、小样本问题. 方法 采用人脸图像的分块处理、奇异值分解压缩算 法，降低特征维数，有效地解决了存储和传输中的数据压缩问题，运用基于聚类方法的 RBF 神 经网络分类器进行人脸分类识别. 结果 通过实验和数据分析表明，该方法在人脸骨骼特征明 显时具有较高的识别率，与基于整体人脸图像的识别效果相比，识别率提高了 3% . 结论 笔者 提出的识别方法具有良好的学习效率和识别精度品质指标. 关键词:奇异值分解;RBF 神经网络;人脸特征;分类;图像 中图分类号:TP391 文献标志码:A 将人脸图像本身的灰度分布描述为矩阵，其 奇异值特征具有转置不变性、旋转不变性、位移不 变性、镜像不变性等诸多重要的性质，进行各种代 数和矩阵变换后提取的代数特征是人脸的表 征［1 － 2］. 基于奇异值特征进行人脸识别的方法是 由 Hong［3 － 4］首先提出来的. 在样本数量很大、维 数很高的情况下，利用奇异值分解( Singular Val- ue Decomposition，SVD)压缩降维处理，减少算法 的时间复杂度，是描述人脸特征一种有效的方法. 由于整体图像的奇异值向量反映的是图像整体的 统计特征［5 － 6］，对细节的描述还不够深入. 基于 此，笔者模拟人类识别人脸的模式，在图像分块和 加权的基础上［7 － 12］，突出待识别人脸的骨骼特 征，近似于人类在识别人脸时自动剔除同一人脸 的变化部位的差异能力. 人脸识别在本质上是区分两幅人脸图像表观 上的差别，是类内变化( 同一人的不同图像) 还是 类间变化( 不同人的不同图像). 因此，如何对类 内变化以及类间变化精确的建模和分类成为人脸 识别领域的重要研究内容之一. 径向基函数( Ra- dial Basis Function，RBF) 网络是一种性能良好的 前馈型三层神经网络，具有全局逼近性质和最佳 逼近性能，训练方法快速易行，RBF 函数还具有 局部响应的生物合理性［8 － 9］. RBF 神经网络隐含 层??点使用了非线性传输函数，比单层感知器网 络具有更强的分类能力. 在隐含层中心确定的情 况下，RBF 神经网络只需对隐含层至输出层的单 层权值学习修正，比多层感知器具有更快的收敛 速度，这也是笔者选择 RBF 神经网络作为分类器 的原因. 笔者基于人脸图像分块和奇异值分解，进行 RBF 神经网络分类器的设计. 在 RBF 神经网络 构建和初始化采取有监督的聚类算法，在网络参 数的最终调整和训练方面采取 Hybrid 学习( Hy- brid Learning Algorithm，HLA ) 算法. 在隐层参数 固定的条件下，由线性最小二乘法计算隐层和输 出层之间的连接权值，由梯度下降法调整隐层神 经元的 中 心 和 宽 度. 这种混合学习算 法，能 使 RBF 网络逼近 M oody 准则下的最优结构，即:在 没有其他先验知识的情况下，与给定样本一致的 规模最小的网络就是最好的选择. 从而保证该网 络具有较好的泛化能力. 收稿日期:2009 － 10 － 11 基金项目:住房和城乡建设部科研基金项目(2007 － K03 － 04) 模型的人脸识别方法，Wang［10］提出的基于奇异 基于 SVD 的人脸识别算法 对于任何一个矩阵 A ∈ Rm × n ，利用奇异值分 解将其转化为对角矩阵. 1. 1 SVD 定理1(设 A ∈ Rm × n (不失一般性，设 m ≥ n)， 且 rank(A) = k，则存在两个酉矩阵 Um × n 和 Un × n 及广义对角阵 Dm × m 使下式成立: 1 值分解和神经网络的人脸鉴别方法等，这些方法 使得在人脸库上的小样本识别率达到了 90% 以 上. Tian 等人［6］发现，直接对整幅人脸图像进行 奇异值分解，并没有考虑人脸的局部和细节特征， 而且提取的奇异值特征中包含了大量冗余信息. 笔者提出的人脸特征提取方法实现的流程如 下: 1)从人脸数据库选择人脸作为识别训练集; 2)将被选入训练集的人脸图像几何归一化 处理;将被选入训练集的人脸图像灰度归一处理; 3) 将预处理过的人脸图像划分 成 大 小 为 N1 × N2 的子块; 4)将每一幅图像变为一个列向量( 先分别将 每一个子块所有向量排成一列，再将所有子块按 顺序排成一列);然后以子块为单位进行; 5)计算全部人脸图像的均值;计算每一类人 脸图像的平均脸，同