人脸识别算法

 

                                                                                  基于非参数技术的贝叶斯人脸识别算法

 

 

 

摘要：考虑到类内差与类间差的分布实际并不是严格的高斯分布，在概率密度估计方面提出改进的方案。采用非参数技术而不是高斯模型估计后验概率,将其应用于传统的贝叶斯分类器。在FERET数据库的FB及FC子集上的实验结果表明，使用非参数技术的贝叶斯分类器优于或相当于使用高斯模型的分类器,且具有训练简单的优点。
　　关键词：贝叶斯分类器；非参数技术；人脸识别
　　中图分类号：TP301文献标志码：A
　　文章编号：1001－3695(2007)07－0292－03
　　
　　0引言
　　
　　自动人脸识别技术在安全、法律等领域广泛潜在的应用,以及其在模式识别、人工智能等方面的理论价值使得在过去几十年间，国内外广大研究者对人脸识别研究倾注了极大的热情[1]。先后提出了很多人脸识别算法，如基于几何特征的方法[2]、模板匹配[3]、特征脸[3,4] 、线性判别分析[5]、神经网络[4]、弹性图匹配[6]、变形模型[7]、贝叶斯分类器[8]、局部特征分析[9]、Gabor Fisher分类器[10]等。尽管这些技术进一步促进了人脸识别的研究,但是人脸识别技术仍然面临着很多技术难题。其中之一便是较大的类内变化，以及由于图片的采集坏境（如光照、姿态、表情等）不同带来的相对较小的类间变化。因此，如何对类内变化以及类间变化精确建模成为人脸识别研究的一个重要目标。在众多的建模方法中,统计模型无疑是一种主流方法。其中Moghaddam的贝叶斯分类器[8]得到了广泛的应用。该算法对类内差与类间差分别用高斯分布建模,最后使用概率相似度作为衡量两幅图像的相似度。
　　在后人的研究中,贝叶斯分类器得到了进一步的发展。由实验观察发现，类内差与类间差的分布更遵从多高斯分布,因此使用混合高斯模型而不是原算法中的单高斯模型对类内差以及类间差的分布建模。Wang等人[11]对类内变化做聚类,对各子类计算其分布,最后再融合各子类。另外一个扩展是对贝叶斯分类器采用的特征进行改进。在各种各样可供分类器采用的特征中,Gabor特征被证明是目前人脸识别中最好的一种描述子。因此Gabor特征也被引入到贝叶斯分类器中。文献［12］中的试验结果表明,采用Gabor特征后与采用图像灰度特征相比得到了更好的识别结果。
　　传统的用于人脸识别的贝叶斯方法,采用单高斯模型或混合高斯模型估计后验概率或类条件概率密度。这种方法的一个假设是类条件概率密度的分布形式已知（如假设它们是高斯分布），但是密度函数的一些参数（如均值和方差）未知，需要确定。尽管在大多数情况下,这一假设是可行的也是有效的,但是这样引入的假设常常由于复杂的实际分布而减弱了效果，而且关于高维概率密度可以表示成一些一维概率密度的乘积的假设往往不成立。为了描述这一复杂的分布,考虑使用另外一种更直观、条件更弱的概率估计方法——非参数技术［13］。非参数技术可以直接估计后验概率,在计算上比高斯模型更便捷，同时该试验也表明非参数技术得到了好于或相当于高斯模型的结果。
　　
　　3实验
　　
　　为了评估对贝叶斯分类器的两种改进的有效性,在著名的FERET人脸数据库上测试该算法。FERET人脸数据库提供了一种标准的测试方法:将图像划分为三个集合:训练集、原型图像集以及测试集。在Moghaddam 的试验中,他们在FB子测试集上测试他们的算法。本文同时在FB和FC两个子测试集上进行了测试。其中FB与FC子集各有1 195人以及194人的照片,且每人只有一张；原型图像集一共包含1 196人的照片,同样也是每人一张。在训练该系统时,采用FERET的标准训练集(仅包含正面人脸照片)，因此,用于训练的训练集包含429人的1 002幅正面图像。在试验中,将图像提供给分类器前,所有的人脸图像都归一化为72×96再直方图均衡化,如图1所示。
　　
　　在实验中比较了如下五种识别算法：
　　(1)BC。Moghaddam提出的贝叶斯分类器。
　　（2）GMM－BC。基于混合高斯模型的贝叶斯分类器。
　　（3）Gabor GMM－BC。将Gabor特征用于基于混合高斯模型的贝叶斯分类器。在该算法中原始的72×96大小的人脸图像经过前述40个Gabor滤波器得到276 480维Gabor特征；然后经过下采样（Down－sampling）得到15 640维特征；最后使用PCA降维到1 000维。 
　　（4）Non－parametric－BC。使用非参数技术估计后验概率的贝叶斯分类器。
　　（5）Gabor Non－parametric－BC。使用Gabor特征以及非参数技术估计后验概率的贝叶斯分类器。
　　
　　由图2、3可以得到如下结论。
　　(1)非参数技术取得了优于或相当于高斯模型的识别结果；同时它们都优于传统的单高斯的贝叶斯分类器。
　　（2）使用Gabor特征的非参数技术贝叶斯分类器比高斯模型得到了更多的性能提升。
　　（3）在FC测试集上使用非参数技术相对于混合高斯模型得到了更好的性能；在FB测试集上它们取得了相当的测试结果。
　　由于非参数技术可以同时利用所有类内差与类间差的信息,带来了性能上的提升。总体来说，非参数技术取得了优于或相当于高斯模型的识别结果；同时又具有训练简单、计算复杂度小的优点。
　　
　　4结束语
　　
　　从改进概率密度估计方法出发,提出了使用非参数技术估计后验概率的贝叶斯分类器，它简化了模型的训练过程。利用训练样本所有类内差与类间差的信息,将其应用于各种贝叶斯分类器,得到了优于或相当于高斯模型的结果。