趙旭杰 哈力旦·阿布都熱依木 伊力哈木·亞爾買買提

關(guān)鍵詞： 維吾爾族人臉; Gabor; 非負(fù)矩陣; 支持向量機(jī); 特征提取; 融合算法

中圖分類號(hào)： TN911.73?34; TP391.41 ? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼： A ? ? ? ? ? ? ? ? ?文章編號(hào)： 1004?373X（2019）02?0133?05

Face recognition of Uyghur people based on Gabor new fusion algorithm

ZHAO Xujie， Halidan·Abudureyimu， Yilihamu·Yaermaimaiti

（School of Electrical Engineering， Xinjiang University， Urumqi 830047， China）

Abstract： In allusion to the problem of low recognition rate of Uyghur people′s faces in occlusion and uneven illumination conditions， an algorithm based on fusion recognition of Gabor and non?negative matrix in the frequency domain is proposed. The Uyghur faces in complex scenes are preprocessed. The multi?scale and multi?directional Gabor local feature extraction is conducted for occluded Uyghur face images. Feature extraction is conducted in the frequency domain for the real part and imaginary part respectively by using the sparse non?negative matrix decomposition algorithm. The 2DPCA dimension reduction processing is further conducted due to the high feature dimension of local extraction. The support vector machine classification method is used to conduct classification and recognition of Uyghur faces in occlusion and uneven illumination conditions. The experimental results show that the recognition algorithm proposed in this paper has a strong recognition effect for occluded and unevenly?illuminated faces in Yale， ORL and Uyghur databases， and has an obvious improvement in recognition rate and robustness.

Keywords： Uyghur face; Gabor; non?negative matrix; support vector machine; feature extraction; fusion algorithm

0 ?引 ?言

人臉識(shí)別極具使用價(jià)值，是一種很重要的生物特征認(rèn)證技術(shù)。大量學(xué)者提出各種人臉識(shí)別的算法，像主成分分析法只能通過(guò)整體識(shí)別無(wú)法準(zhǔn)確識(shí)別[1];梯度算法沒(méi)有考慮強(qiáng)光、有遮擋、光照不均勻的人臉面部的影響及鏡像表面的光滑性，影響其算法的穩(wěn)定性;傳統(tǒng)的Gabor算法不能夠多尺度變換、多方向改變的識(shí)別;傳統(tǒng)的稀疏算法受光照不均勻影響顯著，識(shí)別效果不理想;傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)算法在識(shí)別維吾爾族人臉時(shí)容易產(chǎn)生局部最小值且通過(guò)迭代收斂的速度慢。

針對(duì)上述問(wèn)題，本文采用Gabor變換加窗傅里葉函數(shù)，可以在不同頻域尺度、不同方向上提取相關(guān)的特征。對(duì)圖像遮擋有較好的適應(yīng)性。然后通過(guò)非負(fù)矩陣算法，利用非負(fù)限制的天然稀疏性，使光照不均勻維吾爾族人臉得到更好的處理;并用支持向量機(jī)融合，對(duì)各個(gè)距離相近的樣本進(jìn)行分類，在測(cè)試集和訓(xùn)練集中找出最小距離進(jìn)行識(shí)別，這樣在遮擋或者光照不均勻的條件下都有很好的識(shí)別率。

1 ?Gabor特征提取方法

一維Gabor函數(shù)最早是由D.Gabor提出，1985年Gambridge大學(xué)的Daugman將一維Gabor函數(shù)推向了二維，用于提取和表征圖像特征[2?3]，函數(shù)如下：

[Gx，y=e-π[（x-x0）2α2+（y-y0）2β2]*e-i2π[K0cos θ0（x-x0）+K0sin θ0（y-y0）] ] （1）

式中：[（α，β）]為縱橫比的參數(shù);[（x0，y0）]為初始位置參數(shù)。[（μ0，ν0）]為二維平面波調(diào)制參數(shù)，用于調(diào)制平面波的頻率[K0]與[θ0]傳播方向，定義如下：

[θ0=arctanν0μ0] （2）

[K0=μ20+ν20] （3）

將式（2）、式（3）化簡(jiǎn)可得：[μ0=K0cos θ0， ν0=K0sin θ0]。

[G（K0，θ0;x，y）=e-π[（x-x0）2α2+（y-y0）2β2]*e-i2π[μ0（x-x0）+ν0（y-y0）] ] （4）

式中，[α，β]為取定常數(shù)。Gabor函數(shù)的性質(zhì)由平面波的頻率[K0]與傳播方向[θ0]決定。時(shí)域的Gabor函數(shù)進(jìn)行傅里葉變換得到頻域Gabor函數(shù)響應(yīng)為：

[Fu，v=e-π（μ-μ0）2α2+（ν-ν0）2β2*e-i2πx0（μ-μ0）+y0（ν-ν0）] （5）

由式（5）Gabor函數(shù)對(duì)人臉[Ix，y]變換，得二維Gabor變換，即對(duì)所構(gòu)成的矩陣進(jìn)行卷積[4?5]：

[Jx，y=G（K0，θ0;x，y）?I（x，y）] （6）

2 ?支持向量機(jī)分類的方法

在Mercer核定理的前提下，采用支持向量機(jī)建立高維特征空間，并尋找最優(yōu)線性超平面，通過(guò)計(jì)算類與類之間的分類超平面[6]。采用1對(duì)1投票策略將SVM推廣至多類問(wèn)題訓(xùn)練維吾爾族人臉，假設(shè)維吾爾族人臉訓(xùn)練集為：

[（n1，m1），…，（nk，mk），n∈Rn，m∈{-1，1}] （7）

創(chuàng)建的超平面方程為：

[（ω·n）-b=0] （8）

由式（8）超平面方程對(duì)訓(xùn)練集展開，可以把訓(xùn)練集劃分為兩個(gè)平面，即：

[（ω·ni）-b≥1， m=1（ω·ni）-b≤1， m=-1 i=1，2，…，k] （9）

即最大超平面應(yīng)滿足[φ（ω）=ω2]，最小超平面則是由向量[ω]和系數(shù)b決定?？梢赞D(zhuǎn)化為二次規(guī)化問(wèn)題，并引入拉格朗日乘子[αi]，可得：

[L（ω，b，αi）=12（ω·ω）-i=1kαi{[xi·ω-b]mi-1} ? ? ? ? ? ? ? ? ? ? ? ?i=1，2，…，k] （10）

對(duì)式（10）求偏導(dǎo)數(shù)，令[L（ω0，b0，α0）b=0]解得式中各參數(shù)。其中[α0i]和[ω0]滿足：

[i=1kα0imi=0ω0=i=1kmiα0ini， ?α0i≥0，i=1，2，…，k] （11）

式中，[ω0]為具有非零系數(shù)[α0i]的樣本點(diǎn)。式（11）為維吾爾族人臉訓(xùn)練集向量的線性組合[7]。Kuhn?Tucker計(jì)算的條件為：[max W（α）=maxi=1kαi-12i=1kαiαjmimj（ni·nj），αi≥0，i=1，2，…，k，i=1kα0iyi=0] （12）

由式（12）解得[α0=（α01，α02，…，α0k）]為最優(yōu)解，由此計(jì)算最大超平面間隔向量[α0]的模如下：

[α02=2W（α0）=i=1kα0iα0j（ni. nj） mi mj] （13）

分類函數(shù)為：

[f（x）=sgnmiα0i（mi·n）-b0] （14）

式中，[b0=12[ω0·n*（1）]+[ω0·n*（-1）]]，[n*（1）]和[n*（-1）]表示不同類中的任意一個(gè)支持向量，構(gòu)成維吾爾族人臉訓(xùn)練集的最大超平面[8]。其中數(shù)據(jù)線性結(jié)構(gòu)不可分，即最大的超平面為：

[W（α）=i=1kαi-12i，j=1kαiαjmimj（ni，nj） ? ? ? ? ? ? ? ? 0≤αi≤C，i=1，2，…，k] （15）

式中，[i=1kαi]系數(shù)不為零的[αi]確定了支持向量機(jī)，進(jìn)而可確定出識(shí)別的維吾爾族人臉。

3 ?基于Gabor的新融合算法

本文采用Gabor和非負(fù)矩陣的新融合算法（Gabor?NNA），將人臉在頻域中做出下述改進(jìn)。

Gabor卷積后的[J（x，y）]在頻域是復(fù)數(shù)形式，矩陣元素的實(shí)部和虛部分別為：

[Re{J（x，y）}=Gr（K0，θ0;x，y）*I（x，y）Im{J（x，y）}=Gi（K0，θ0;x，y）*I（x，y）] （16）

實(shí)部[Re{J（x，y）}]和虛部[Im{J（x，y）}]分別用列向量表示。非負(fù)矩陣是通過(guò)反復(fù)迭代來(lái)識(shí)別維吾爾族人臉的算法。通過(guò)非負(fù)的限制，矩陣有天然的稀疏性，有著其他算法不及的識(shí)別優(yōu)點(diǎn)[9?10]。令非負(fù)矩陣中[U]為每個(gè)人的實(shí)部，[V]為所有人的個(gè)數(shù)，即[UV=ReJx，y]，再創(chuàng)建一個(gè)M行、[rr∈（0，1）]列的隨機(jī)矩陣，[W=M×r]，并對(duì)W矩陣的每一列求和，即：

[U=i=1Meij， ?j=1，2，…，r] （17）

創(chuàng)建一維M行的列向量Q，其值為1，即[S=WQU]。另外在創(chuàng)建一個(gè)r行、N列的隨機(jī)矩陣，其值在0～1之間，即[H=rN]。然后通過(guò)比對(duì)距離來(lái)識(shí)別維吾爾族人臉，即[d=V·log（S*H）-S*H]。設(shè)定d的閾值，如果d不滿足要求，就采用迭代的方式更新S和H，即：

[S新=S·VS*H*H′Q*UH新=H·S′新·VS新*H] （18）

迭代一定次數(shù)如果不滿足閾值d時(shí)，[Re{J（x，y）}新=S新×H新]。同樣的方法對(duì)虛部作出相應(yīng)的迭代改進(jìn)，令非負(fù)矩陣中U為每個(gè)人的實(shí)部，V為所有人的個(gè)數(shù)，即[UV=Im{J（x，y）}]，得到迭代后的[Im{J（x，y）}新=S新×H新]。這樣便可以求出變換后的幅值與相位，即：

[A（x，y）=Re2{J（x，y）}+Im2{J（x，y）} ψ（x，y）=arctan-1Im{J（x，y）}Re{J（x，y）}] （19）

利用頻率的變換和方向的改變構(gòu)建不同方向的Gabor函數(shù)變換[11]。為了提高識(shí)別速率，在2DPCA對(duì)行和列的方向分別進(jìn)行運(yùn)算，提取特征中壓縮的信息，使其消除相關(guān)性。這些信息包含列向量和行向量的所有信息，即姿態(tài)、噪聲處理、結(jié)構(gòu)等信息。進(jìn)而使圖像的系數(shù)降低。并對(duì)于處理后的賦值和相位做極坐標(biāo)到笛卡爾坐標(biāo)的轉(zhuǎn)化：

[n=A（x，y）cos（ψ（x，y）） m=A（x，y）sin（ψ（x，y））] （20）

對(duì)所得圖像的笛卡爾坐標(biāo)（n，m）進(jìn)行支持向量機(jī)分類。識(shí)別維吾爾族人臉流程圖如圖1所示。

4 ?實(shí)驗(yàn)結(jié)果及分析

4.1 ?在已有數(shù)據(jù)庫(kù)Yale上的實(shí)驗(yàn)結(jié)果

本文實(shí)驗(yàn)所使用的計(jì)算機(jī)硬件：內(nèi)存（RAM）為 4 GB，處理器（CPU）為 Intel[?]CoreTMi5 M430 @ 2.27 GHz，顯卡為 Gvidia Geforce GT 325M;操作系統(tǒng)為 Windows 7系統(tǒng)64位;仿真軟件為Matlab 2010a。首先在已有的數(shù)據(jù)庫(kù)中選取40人，每人10張不同表情。實(shí)驗(yàn)得出Yale人臉數(shù)據(jù)庫(kù)的識(shí)別率見圖2。

從圖2中可以看出，當(dāng)維數(shù)低于60時(shí)，識(shí)別率普遍較低，而本文算法識(shí)別率卻高于其他算法，當(dāng)維數(shù)提高時(shí)識(shí)別率普遍提高，還是高于其他算法。

由表1可知，無(wú)論是逆光或測(cè)光的人臉，各種算法相比較，本文算法識(shí)別效果最優(yōu)，同時(shí)在自然場(chǎng)景中也有很好的識(shí)別效果。

4.2 ?在維吾爾族人臉數(shù)據(jù)庫(kù)上的實(shí)驗(yàn)及結(jié)果

接下來(lái)本文對(duì)維吾爾族人臉進(jìn)行一系列實(shí)驗(yàn)。首先進(jìn)行Gabor特征提取及非負(fù)矩陣體征提取，分別如圖3、圖4所示。

由圖3、圖4可知，特征提取后的維吾爾族人臉在局部性、方向選擇性、帶通性等方面能夠精確地提取出圖像局部特征，提高了維吾爾族人臉在遮擋時(shí)的抗干擾能力。本文通過(guò)非負(fù)矩陣的限制，有效地消除光照不均勻的現(xiàn)象，使人臉各處的受光照影響較小，更容易提取人臉姿態(tài)、旋轉(zhuǎn)、表情，使識(shí)別抗干擾能力進(jìn)一步提高。其融合后的特征提取見圖5。

對(duì)維吾爾族人臉建立不同維數(shù)，實(shí)驗(yàn)結(jié)果見圖7。從圖7中可以看出：維吾爾人臉圖像的維數(shù)低于50點(diǎn)左右時(shí)，因?yàn)樘崛√卣髦颠^(guò)低，在有遮擋，非均勻光照時(shí)，其識(shí)別率比較低;當(dāng)人臉圖像的維數(shù)增多時(shí)識(shí)別率有了明顯的提升，并且融合后的識(shí)別率提升得更快。由圖8可知，Gabor和非負(fù)矩陣在單獨(dú)識(shí)別維吾爾族人臉時(shí)，在有遮擋時(shí)Gabor的識(shí)別占優(yōu)勢(shì)，在光照不均勻時(shí)非負(fù)矩陣算法占優(yōu)勢(shì)。

融合后算法對(duì)整個(gè)維吾爾族人臉的識(shí)別率與融合前各算法的識(shí)別率對(duì)比如圖9所示。

通過(guò)圖9可得，在維吾爾族人臉組數(shù)很少時(shí)，各算法識(shí)別效果很好，隨著人臉組數(shù)的增多，本文的融合算法能夠平穩(wěn)地保持很高的識(shí)別率，但Gabor算法和非負(fù)矩陣算法在人臉組數(shù)增多時(shí)識(shí)別率波動(dòng)明顯且下降。本文算法在識(shí)別有遮擋和光照不均勻等復(fù)雜環(huán)境下的維吾爾族人臉時(shí)有明顯的優(yōu)勢(shì)。各算法在60人時(shí)識(shí)別比較如表2所示。

本文算法在識(shí)別維吾爾族人臉時(shí)準(zhǔn)確率比其他各算法都高，達(dá)到了96.67%，可以很好地識(shí)別在復(fù)雜背景下維吾爾族人臉。

5 ?結(jié) ?語(yǔ)

本文針對(duì)Gabor和非負(fù)矩陣對(duì)有遮擋和光照不均勻的維吾爾族人臉識(shí)別低的問(wèn)題，提出Gabor和非負(fù)矩陣在頻域內(nèi)融合識(shí)別算法。本文數(shù)據(jù)庫(kù)主要選取那些長(zhǎng)期居住在新疆維吾爾自治區(qū)三代內(nèi)全部是維吾爾族的人臉信息，這些人更具有典型的維吾爾族的特性。通過(guò)對(duì)相關(guān)實(shí)驗(yàn)結(jié)果分析，表明了本文方法的優(yōu)越性[12?13]。

參考文獻(xiàn)

[1] JIANG T X， HUANG T Z， ZHAO X L， et al. Patch?based principal component analysis for face recognition [J]. Computational intelligence and neuroscience， 2017（3）： 1?9.

[2] FATHI A， ALIREZAZADEH P， ABDALI?MOHAMMADI F. A new global?Gabor?Zernike feature descriptor and its application to face recognition [J]. Journal of visual communication and image representation， 2016， 38： 65?72.

[3] CHENG Y， JIN Z， CHEN H， et al. A fast and robust face recognition approach combining Gabor learned dictionaries and collaborative representation [J]. International journal of machine learning and cybernetics， 2015， 7（1）： 2?5.

[4] CHEN L， WEI W， LI Jiaxue， et al. A cloud?based monitoring system via face recognition using Gabor and CS?LBP features [J]. Journal of supercomputing， 2017， 73（4）： 1532?1546.

[5] 王微，董慧慧.Gabor濾波器和支持向量機(jī)相融合的人臉識(shí)別[J].激光雜志，2016，37（1）：87?90.

WANG Wei， DONG Huihui. Face recognition based on Gabor filter and support vector machine [J]. Laser journal， 2016， 37（1）： 87?90.

[6] 楊穎嫻.改進(jìn)的二叉樹支持向量機(jī)在人臉識(shí)別中的應(yīng)用[J].科學(xué)技術(shù)與工程，2012，12（20）：4930?4934.

YANG Yingxian. Face recognition based on improved binary tree support vector machine [J]. Science technology and engineering， 2012， 12（20）： 4930?4934.

[7] 徐靜妹，李雷.基于稀疏表示和支持向量機(jī)的人臉識(shí)別算法[J].計(jì)算機(jī)技術(shù)與發(fā)展，2018，28（2）：59?63.

XU Jingmei， LI Lei. A face recognition algorithm based on sparse representation and support vector machine [J]. Computer technology and development， 2018， 28（2）： 59?63.

[8] 鄭琨，張楊，賴杰，等.基于支持向量機(jī)和特征向量提取的人臉識(shí)別框架[J].河北工業(yè)科技，2016，33（1）：58?62.

ZHENG Kun， ZHANG Yang， LAI Jie， et al. Face recognition framework based on support vector machine and feature vector extraction [J]. Hebei journal of industrial science and technology， 2016， 33（1）： 58?62.

[9] LIN B， LI Y， MENG H. Face recognition based on wavelet kernel non?negative matrix factorization [J]. Cybernetics and information technologies， 2014， 14（3）： 37?45.

[10] 伊力哈木·亞爾買買提.改進(jìn)稀疏表示的維吾爾族人臉識(shí)別算法[J].電子技術(shù)應(yīng)用，2016，42（2）：17?20.

Yilihamu·Yaermaimaiti. Improved Uygur face recognition algorithm for sparse representation [J]. Application of electronic technique， 2016， 42（2）： 17?20.

[11] 鄭明秋，楊帆.改進(jìn)非負(fù)矩陣分解的神經(jīng)網(wǎng)絡(luò)人臉識(shí)別[J].液晶與顯示，2017，32（3）：213?218.

ZHENG Mingqiu， YANG Fan. Face recognition based on improved NMF and neural network [J]. Chinese journal of liquid crystals and displays， 2017， 32（3）： 213?218.

[12] UDDIN M Z， HASSAN M M， ALMOGREN A， et al. A facial expression recognition system using robust face features from depth videos and deep learning [J]. Computers & electrical engineering， 2017， 63： 114?125.

[13] 張樹毅，路翀.用于少數(shù)民族人臉圖像識(shí)別的算法比較研究[J].伊犁師范學(xué)院學(xué)報(bào)（自然科學(xué)版），2015，9（3）：73?77.

ZHANG Shuyi， LU Chong. A comparative study of the image recognition algorithm for minorities [J]. Journal of Ili Normal University （Natural science edition）， 2015， 9（3）： 73?77.