基于PCA和LDA融合算法的性別鑒別
隨著社會(huì)發(fā)展,快速有效的自動(dòng)身份驗(yàn)證應(yīng)用廣泛。生物特征是人類的內(nèi)在屬性,具有很強(qiáng)的自身穩(wěn)定性和個(gè)體差異性,所以它是身份驗(yàn)證最理想的依據(jù)。其中,人臉相比其他的人體生物特征具有直接、方便、友好等特點(diǎn),所以利用人臉特征進(jìn)行身份驗(yàn)證是最自然直接的手段,并易于為用戶所接受。性別鑒別作為其中特殊的一部分,可以加強(qiáng)人機(jī)交互系統(tǒng)的靈活性,而且可以對(duì)特殊環(huán)境下與性別相關(guān)的地方出入進(jìn)行限制,收集有價(jià)值的統(tǒng)計(jì)信息(如每天出入的男性、女性數(shù)量,對(duì)酒吧、商場(chǎng)、零售業(yè)提供有價(jià)值的服務(wù))等。
1 性別分類算法
性別分類是一個(gè)典型的二類問題,一般方法是通過輸入一副人臉圖像X,通過預(yù)處理,特征提取,分類器等過程后來決定X的類別。這里的性別分類算法如圖1所示,它是由預(yù)處理、特征提取、分類器3個(gè)部分組成。
其中預(yù)處理主要是幾何變換和區(qū)域直方圖處理。通過這些工作保障了人臉幾何(方向,大小)的不變性?;鞠吮尘暗挠绊懞筒糠止庹沼绊?,提高了識(shí)別的精度。然后再預(yù)處理的基礎(chǔ)上進(jìn)行主元分析提取特征,獲得主元分析PAC(Principal components Analysis)主元子空間和線性鑒別分析LDA(Linear Discriminant Analysis)特征子空間,最后利用分離器(人臉樣本訓(xùn)練獲得)進(jìn)行分類。
1.1 預(yù)處理
該性別分類算法主要采用,幾何處理+整體直方圖處理(HG),幾何處理+區(qū)域直方圖處理(RHG)2種方法進(jìn)行預(yù)處理,并進(jìn)行比較。
1.1.1 幾何處理
1)圖像的縮放
MATLAB圖像處理工具箱中的函數(shù)imresize可對(duì)圖像進(jìn)行縮放操作,常用的格式為:
B是縮放后圖片;A是原始圖片;m表示縮放倍數(shù)(m>1時(shí)圖片放大;m1時(shí)圖片縮小);method是縮放的插值方法(默認(rèn)為最近鄰插值法);[mrows,ncols]指輸出圖片大小為mrowsxncols。
2)圖像的旋轉(zhuǎn)處理
有些待分類的圖像,人臉是歪斜的,這時(shí)要對(duì)圖像進(jìn)行旋轉(zhuǎn)處理如圖2所示。但旋轉(zhuǎn)時(shí)各像素的坐標(biāo)會(huì)發(fā)生變化,使得旋轉(zhuǎn)之后不能正好落在整數(shù)坐標(biāo)處,需要進(jìn)行插值,工具箱中函數(shù)imrotate方法可以對(duì)圖像進(jìn)行插值旋轉(zhuǎn)(默認(rèn)方法是最近鄰插值法)。常用的語法格式為:
其方法中對(duì)應(yīng)的參數(shù)意義為:angle為圖像A按照逆時(shí)針旋轉(zhuǎn)的角度,method是選擇的插值方法。
3)圖像的剪切
當(dāng)只需要圖像中的一部分時(shí),如實(shí)驗(yàn)中只需要人臉圖片,就要對(duì)圖像進(jìn)行剪切處理,在MATLAB圖像處理工具箱中提供函數(shù)imcrop用于剪切圖像中的一個(gè)矩形子圖,用戶可以根據(jù)這個(gè)矩形頂點(diǎn)的坐標(biāo),也可以用鼠標(biāo)指針選取這個(gè)矩形。該函數(shù)常用的格式如下:
其中前3種格式為交互式地對(duì)灰度圖像、索引色圖像和真彩色圖像進(jìn)行剪切。后3種方式是按指定的矩形框rect剪切圖像,rect是一個(gè)四元向量[xmin,ymin width heigth],分別表示矩形的左上角坐標(biāo)、寬度和高度。
1.1. 2 整體直方圖處理(HG)
直方圖方法是建立在概率論的基礎(chǔ)上,是通過改變直方圖的形狀來達(dá)到增強(qiáng)圖像對(duì)比度的效果。常用的方法有直方圖均衡化和直方圖規(guī)定化。直方圖均衡化又稱直方圖平坦化,是將一已知灰度概率密度分布的圖像,經(jīng)過某種變換成一幅具有均勻灰度概率密度分布的新圖像,其結(jié)果是擴(kuò)展了像元取值的動(dòng)態(tài)范圍,從而達(dá)到增強(qiáng)整體對(duì)比度的目的。采用MATLAB工具箱中histeq方法對(duì)圖像進(jìn)行直方圖處理。
常用B=histeq(A)。
1.1.3 區(qū)域直方圖處理(RHG)
直方圖處理是探討了亮度標(biāo)準(zhǔn)化方法的一般計(jì)算模型,為了解決偏光問題,又提出了亮度標(biāo)準(zhǔn)化的分塊策略,采用將圖片等分4份,對(duì)偏光嚴(yán)重的人臉圖片進(jìn)行區(qū)域直方圖處理后再合成原始大小圖片。針對(duì)圖像整體直方圖和分塊區(qū)域化后直方圖取得的效果進(jìn)行比較,如圖3所示。
1.2 PCA算法的基本原理
主成分分析法PCA(Principal Component Analysis)其目的是在數(shù)據(jù)空間中找到一組向量以盡可能地解釋數(shù)據(jù)的方差,從而用降維后的低維向量保存原數(shù)據(jù)中的主要信息,使數(shù)據(jù)更易于處理。主要原理就是基于對(duì)原始數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析,利用線性變換,對(duì)高維數(shù)據(jù)進(jìn)行分析與壓縮。由于人臉結(jié)構(gòu)的相似性,當(dāng)把人臉圖像樣本進(jìn)行規(guī)一化并抽成一個(gè)高維向量后,這些圖像在高維空間中不是隨機(jī)或散亂地分布的,
而是存在某種規(guī)律。通過主元變換進(jìn)行人臉識(shí)別的方法被稱為“特征臉”方法。
主成分分析是將分散在一組變量上的信息集中到某幾個(gè)綜合指標(biāo)(主成分)上的探索性統(tǒng)計(jì)分析方法,以便利用主成分描述數(shù)據(jù)集的內(nèi)部結(jié)構(gòu),實(shí)際上起著數(shù)據(jù)降維的作用。
假設(shè)有一幅大小為N1xN2的灰度圖像P(x,y),其中x∈[1,N1],y∈[1,N2],且像素值P(x,y)滿足P(x,y)∈[0,1],x為行索引值,y為列索引值。為了應(yīng)用PCA技術(shù),首先要將該人臉從二維矩陣轉(zhuǎn)化為一維向量,這可以通過如下操作達(dá)到要求。
將kxl的矩陣C的第1行轉(zhuǎn)置,然后將C的第2行轉(zhuǎn)置拼接于其后,如此類推,直到最后將第k行轉(zhuǎn)置并拼接起來。例如,矩陣在經(jīng)過上述操作以后,就變?yōu)?a11 a12 a13 a21 a22 a23)T。一幅大小為N1xN2的灰度圖像可以被轉(zhuǎn)換為N1xN2維的向量,因此可以將一幅人臉圖像視為高維空間中的一個(gè)點(diǎn),并用PCA技術(shù)使用少數(shù)特征來近似描述人臉圖像在高維空間中的分布。
考慮n(N1xN2)維空間中的m個(gè)向量x1,x2,…,xm為了降低維數(shù),需要用一個(gè)m維的向量x’來近似模擬,其中mn,也就是尋找一個(gè)變換。PCA技術(shù)使用變換:
通常假設(shè)隨機(jī)向量(x-μ)為零均值,即μ取值為隨機(jī)向量x的期望
WT=(w1,w2,…,wm)為一個(gè)mxn的變換矩陣。(x-μ)是一個(gè)(nxl)n維的向量。y是m維的向量。這是一個(gè)線性的變換,式(1)是個(gè)內(nèi)積,引述內(nèi)積的定義:
圖4為式(3)的物理意義。
評(píng)論