基于壓縮傳感理論的人臉性別認識算法

基于壓縮傳感理論的人臉性別認識算法

0人臉檢測與性別分類人臉識別的研究非常重要。作為其重要的分支，它在人類生活中得到了許多應用。基于人臉識別的性別識別可以廣泛應用于人類的社會保障領域。傳統(tǒng)的人臉性別辨認方法研究開始于20世紀90年代,國外學者采用人工神經網絡方法嘗試理解人類視覺處理機制來探索人臉檢測與性別分類方法,Moghaddam等使用支持向量機算法對人臉圖像進行性別分類;Shakhnarovich等將Viola&Jones提出的以類Haar矩形特征為輸入特征的AdaBoost算法應用于性別分類問題;Costen等提出稀疏矩陣支持向量機分類方法;Saatci等提出了基于主動表觀模型的性別分類方法;TaskeedJabid等人將局部方向模型引入人臉性別識別;JingWu等人將人臉形狀信息用于性別識別。近年來,由于壓縮傳感(compressedsensing,CS)的興起,馬毅等將CS理論引入人臉識別領域并證明其對存在遮擋或損壞的人臉圖像的識別具有很好的魯棒性,因此本文嘗試將CS理論應用于人臉性別辨認,探索解決復雜光照變化環(huán)境下的性別辨認方法。1人臉檢測研究傳統(tǒng)人臉性別辨認的實現主要分為人臉檢測與預處理、特征提取和性別辨認3個部分(系統(tǒng)流程圖如圖1所示)。人臉檢測與預處理部分目的是從圖片中找出所有包含人臉的子窗口并完成人臉傾斜校正和歸一化等工作。人臉檢測早期研究主要致力于模板匹配、變形模板匹配,子空間方法等;近期研究主要集中在基于學習的方法。特征提取部分是通過某些特征提取方法將人臉性別信息用一個高效描述人臉的特征向量來表示,常用方法有主成分分析、獨立成分分析、局部二值模型、線性判別分析、類依賴特征分析和彈性圖匹配等。性別辨認部分通常將特征提取部分輸出的人臉特征向量與對人臉數據庫進行機器學習生成的性別分類器進行比對做出性別分類的判斷。常用方法包括最近鄰法、線性分類器、支持向量機、神經網絡、和AdaBoost分類器等。2稀疏信號的構造壓縮傳感是Candés和Donoho等人于06年提出的一種關于信號測量和重構的新理論,只要信號具有稀疏表示,即在某種基或字典上稀疏或可壓縮,則壓縮傳感可以用遠低于奈奎斯特頻率的采樣或者測量完成該信號的重構,其保持問題的學習性,同時繞過計算的維數災難。信號的稀疏表示、編碼測量和重構算法是壓縮傳感理論的主要內容,其中的核心是信號必須是稀疏或者可壓縮,這是壓縮傳感的唯一先驗條件。CS理論的數學問題描述總結如下:給定稀疏度A,在基或字典V=[V1,V2,…,Vk]∈Rn×k上表示稀疏信號x,其中n<k。信號x可以被表示為x=Vα,其中α∈Rk,A=|α|0A=|α|0,是α的l0模計算α中的非零數目。在CS中,信號x由投影矩陣U∈Rp×n(A<p<<n)壓縮得到測量向量y=Ux∈Rp。在給定基V,投影矩陣U和y=Ux=UVα的基礎上重構原始信號x。令W=UV∈Rp×k,這樣x的表示為滿足式(1)的一個列向量α∈Rky=Ux=UVα=Wα(1)由于p<<k,所以式(1)是欠定的,此問題沒有唯一解?α=argminα|α|0s.t.y=Wαα?=argminα|α|0s.t.y=Wα(2)上述求欠定線性方程的最稀疏解的問題是一個NP-hard問題,隨著CS理論的發(fā)展,相關文獻指出解l0模最小化問題(2)等同于下式解l1模最小化問題(3)?α=argminα|α|1s.t.y=Wαα?=argminα|α|1s.t.y=Wα(3)上述內容我們假設(1)式精確成立,但是實際數據中往往都含有噪聲,對于含有噪聲的信號,(1)式被改進如下y=Wα+z(4)其中z∈Rp是有能量邊界限制的噪聲項,即|z2|<ε|z2|<ε。這樣稀疏解α仍可以由解下面的l1模最小化問題來解決?α=argminα|α|1s.t.|Wα-y|2≤εα?=argminα|α|1s.t.|Wα?y|2≤ε(5)CS通過探索y的稀疏性來重構x(即在滿足y=Wα的所有可能α中尋找最稀疏解),如果要重構A稀疏信號x,測量次數p必須滿足p=O(Alog(n)),并且矩陣W必須滿足限制等容性質(RIP)。得到?α以后,重構信號由?x=V?α計算得到。很多重構算法被引入到解決通過尋找α稀疏表示來重構原始信號x的問題,例如組合優(yōu)化、l1范數凸松弛算法、貪婪算法、重加權規(guī)范算法或貝葉斯方法等。本文采用的CS重構算法是典型的梯度投影稀疏重建算法(gradientprojectionforsparsereconstruction,GPSR),此方法可以處理大圖像且計算效率和速度要優(yōu)于其他相關方法。3對比高維結構的信號描述傳統(tǒng)人臉性別辨認方法中特征提取步驟通常費時費力,壓縮傳感理論的出現給我們很大的驚喜:最優(yōu)特征的選擇不再是關鍵,計算量大幅降低,信號的稀疏表示具有很好的判別性。我們探求高維數據的低維結構信息,假設訓練樣本中每類樣本足夠充分,則測試樣本可表示為訓練樣本中同類樣本的線性組合,相對于整個樣本集來說,其表示非常稀疏,那么分類問題即可通過壓縮傳感的方法來實現。因此經過人臉檢測和預處理得到歸一化的測試人臉圖片以后,只需要提取人臉的隨機特征然后通過求解其在人臉性別字典基上的稀疏表示即可完成性別分類。3.1應用cscg的人臉性別靈敏度在人臉檢測和預處理工作完成的基礎上,假設是理想情況下沒有噪聲等因素的影響,同類樣本位于相同子空間中,那么測試樣本可以看成相同類別訓練樣本的線性組合。所有人臉圖片均被轉換為n維的列向量,對于每類性別人臉i(i=1為男性,i=2為女性),設k=∑iNi,其包含的樣本作為矩陣Vi=[Vi,1,Vi,2,…,Vi,Ni]∈Rn×Ni的列,這樣給定第i類的新人臉樣本x可以表示為所有樣本的線性組合x=Vα∈Rn(6)通過式(3)計算其稀疏表示?α,?α中與第i類性別人臉有關系數項相對大,其它的系數都比較小且近似為零。對于每一類i,令ηi為關聯(lián)到i類的特征函數,α∈Rk,ηi(α)∈Rk是一個新向量,僅選取與第i類有關的元素項,我們可以近似估計測試樣本x為?xi=Vηi(?α),然后通過將它歸類于最小化x和?x的估計誤差ρi(x)來完成分類目的ρi(x)=|x-Vηi(?α)|(7)基于CS理論的人臉性別辨認(compressedsensinggenderclassification,CSGC)算法細節(jié)如表1所示。CSGC分類示意圖如圖2所示,其中圖2(a)是人臉性別字典基,所有訓練人臉圖片被處理得到列向量,然后按人臉性別屬性按列排列構成人臉性別字典基。圖2(b)為測試人臉x(女性)。圖2(c)顯示的是解l1模最小化問題得到的稀疏系數?α。圖2(d)顯示的是通過計算最小化估計誤差得到分類結果(即相似度越高,估計誤差越小,柱狀圖高度越低,高度最低柱狀圖性別屬性即測試人臉性別屬性)。3.2隨機投影矩陣提取高維空間圖像,將人臉點集中至低維特征空間CSGC幾何描述示意圖如圖3所示,每張人臉數據庫中的圖片可以抽象成高維空間中的一點,每一類人臉圖片抽象成一個空間數據點的集合,由于每張圖片被表示為一個列向量,所以高維空間維度對應于數據庫中圖片的維度,測試圖片位于與數據庫圖片相同維度的空間,并歸類于相應類別的抽象人臉點集中。隨機投影矩陣將人臉信息從高維空間投影到低維特征空間。人臉性別辨認可以被看成將測試圖片用所有訓練集圖片的最小線性組合形成一個稀疏向量,也就是測試圖片可以用數據庫圖片的子集稀疏表示(僅表示為與其相關聯(lián)圖片的線性組合)。4實驗與討論4.1基于庫的人臉識別ExtendedYaleB數據庫是對YaleB數據庫的擴充,主要用于研究復雜光照變化環(huán)境對人臉識別的影響,包括38個對象,選取變化光照下每個對象的64幅正面視圖圖像,所有人臉圖像均分割且歸一化到192×168像素大小。4.2人臉性別內容分析實驗中,我們從ExtendedYaleB數據庫中抽取男、女各13人構建人臉性別數據庫,并將其分為訓練人臉庫和測試人臉庫,從每一類人臉圖像中隨機選取一半送入訓練人臉庫,將剩下的一半圖像送入測試人臉庫。我們使用訓練人臉庫中的圖像構建人臉性別字典基,隨機投影矩陣使用高斯隨機矩陣,重構算法使用典型的基于梯度投影算法軟件包GPSR_6.0完成。本文分別計算特征空間維數為30,56,120和398時(降采樣率分別達到1/32,1/24,1/16和1/9)的人臉性別辨認正確率。為了避免訓練人臉庫和測試人臉庫構造時圖像選擇產生的影響,我們將上述實驗重復進行3次,總測試人臉圖片數目達到2496,平均識別正確率分別達到76.92%,81.87%,87.26%和91.58%,實驗結果表明本文提出的算法對復雜光照下人臉圖片具有較高的性別識別正確率(見表2)。4.3圖像性能對比傳統(tǒng)人臉性別辨認流程圖如圖1所示,本文實驗中分別選取特征臉(eigenface)、局部二值模型(localbinarypattern)和降采樣(downsample)特征作為其人臉性別信息,提取每張人臉圖像的特征向量,送入傳統(tǒng)分類器完成性別辨認。Moghaddam和Yang通過比較說明SVMs優(yōu)于其它傳統(tǒng)分類器,所以我們選用支持向量機(OSU_SVM3.00)進行性能比較,核函數選取線性核函數。在表2的實驗的基礎上,比較本文提出的CSGC方法與其它性別辨認方法在特征空間維數p=30,56,120和398時的正確識別率。從圖4實驗數據分析可知,CSGC算法效果最好,Eigenface+SVM次之,Downsample+SVM效果較差,LBP+SVM效果最差。由于CSGC算法利用隨機投影獲取訓練樣本和測試樣本的全局信息,而不再去選擇某些特殊的特征,且對光照變化有較好魯棒性,所以其計算效率和識別率均優(yōu)于其他方法。5實驗結果及分析本文探索壓縮傳感