邹丽英 孙小权

摘要：小波变换能够充分突出某些特征的主要特点，通过小波变换可以将一张高维数的图片变换成低维数的图片，且人脸识别所需要的主要特征保持不变，通过主成份分析可以进一步降维。改进了基于小波变换和主成份分析提取特征向量的人脸识别方法，开发了基于小波变换及支持向量机的人脸识别系统，实现了对普通图片和视频的人脸识别。

关键词：人脸识别；人脸检测；小波变换；支持向量机

DOIDOI：10.11907/rjdk.161084

中图分类号：TP319

文献标识码：A 文章编号：1672-7800（2016）005-0109-04

1 系统需求分析

小波提供了一种非平稳信号的时间—尺度分析手段，小波变换在时域和频域都能提供良好的局部信息，尤其小波变换降维可降低图像分辨率，进而降低计算复杂度，因而人脸识别技术中将高维图片降为低维图片采用小波变换[1-2]。基于小波变换和支持向量机的人脸识别系统核心功能是根据给定图片（可以来自视频） 通过一系列变换，检测出图片中的人脸，从人脸图片中提取特征向量作为支持向量机的输入，支持向量机输出识别出的人员代码，并调用相应人员的信息。系统主要功能模块为人脸检测、分类识别、参数优化、分类训练，如图1所示。

系统主要功能模块包括图像预处理、人脸检测模块、小波变换模块、PCA特征提取模块、支持向量机参数寻优

模块、支持向量机训练模块、支持向量机人脸识别模块等[3]，系统流程如图2所示。

2 主要功能模块设计

2.1 人脸检测

人脸检测的主要目的是在输入的整幅图像上寻找人脸区域，计算机把图像分割成人脸区域和非人脸区域两个部分。首先确定场景中是否存在人脸，再确定图像中人脸的位置，将人脸区域按一定尺寸比例截取。

检测人脸通过肤色来进行。经过滤波、光线补偿的图片，按照肤色模型提取近似肤色区域，去除小块区域；利用形态学的原理对类肤色区域进行腐蚀和膨胀，去除毛刺和孔洞；根据区域形状、大小等参数初步判断是否为人脸区域，截取初步判断为人脸的区域，调用人脸/非人脸识别程序判断是否为人脸[4]。人脸/非人脸识别程序采用支持向量机进行识别判断，检测流程如图3所示。

2.2 小波变换

由于采集到的图片像素点较多，进行特征提取时，运算量非常大，而图片中实际上包含了大量的冗余信息，人脸识别中所用到的特征主要是低频特征，通过小波变换可以提取图片的低频信息。小波算法由于计算量较大，常采用滤波器的Mallat算法，也就是用两个互补的滤波器产生高频和低频信号，再进行抽样分别得到一级小波变换后的分解系数[4]。

当对图片进行小波分解时，可以先按行进行一层小波变换，再按列进行一层小波变换。当需要进行多层变换时，可以将上一层变换后得到的低频系数作为输入，再作一层或多层小波分解。图片二维小波变换实际是在行和列两个方向上分别进行一维小波分解，多层小波分解实质是对上层小波分解的低频分量再进行小波分解。

2.3 主成份分析法提取特征向量

主成份分析实际上是对图片矩阵进行奇异值分解，得到一个对角线为奇异值的对角矩阵（奇异值非负且按降序排列）和图片矩阵的奇异向量，再对这些矩阵进行运算，得到系数矩阵、训练样本投影后的矩阵、协方差矩阵特征值[5]。计算协方差矩阵特征值的累计值，当累计值达到预先设定的能量占比，特征值下标即是应取的维数，根据这一维数，从主成份系数矩阵和训练样本投影矩阵中取出相应的列数，构成新的主成份系数矩阵和样本投影矩阵。识别时，只需将识别样本向主成份系数矩阵上投影就得到要提取的特征向量。主成份分析法算法实现在多种编程工具中都进行了封装，可以直接调用，不再赘述。

2.4 数据规格化

通过PCA变换得到特征数据，不同特征最大值和最小值不一样，有的相差很大。为了使数据具有可比性，将不同的特征数值变化范围统一在同一值域内，而在同一特征内部，数值之间的比例关系不变，因此需要对特征数据进行统一的规格化操作。先确定各特征变化范围，再求取各特征数据的最大值和最小值，将各特征值的实际变化范围与目标变化范围的比值作为各特征值的变换系数，用这一变换系数对各特征进行数据变换，从而得到规格化的数据。对于图像预处理模块、PCA特征提取模块、支持向量机的参数寻优模块，支持向量机训练模块、支持向量机人脸识别模块不再一一详述。

3 人脸识别系统实现

MATLAB交互式程序设计语言，具有强大的矩阵运算和操作功能，能够完成大部分图像处理工作，本系统采用MATLAB语言程序代码，实现图像预处理、人脸检测模块、小波变换模块、PCA特征提取模块、支持向量机的参数寻优模块，支持向量机训练模块、支持向量机人脸识别模块等[6-7]。

3.1 人脸检测算法实现

根据输入的图片，从中检测出是否有人脸，如果存在人脸，则将人脸区域进行标记，并裁剪出来。

4 原型系统运行与验证

第一次使用识别之前，必须对支持向量机进行训练，而为了得到较好的训练效果，必须设置合适的参数，通过参数寻优可以得到优化的训练参数。本系统通过网格化寻优方法进行寻优。点击上排菜单上的训练，再点击参数寻优，在输入框中输入PCA降维时用的能量占比。因为该原型系统存在两个样本库，一个是人脸/非人脸样本库，一个是识别用样本库。所以要分别选择训练目录，选择训练的文件夹，任点一个训练文件，程序开始自动计算优化参数。结果参数写入相应样本库的参数文件中并在左下方输出。参数寻优如图11所示。

图片人脸识别是从现有的未经处理的相片中检测出人脸并进行识别。一张图片中可以有多个人脸，该功能模块需要调用人脸检测、标准人脸识别等函数。点击打开图片文件按钮，选择要识别的图片，打开图片文件，进入自动检测人脸和自动识别。左侧窗口显示原图片，右侧上排显示检测出的人脸，下排显示识别出的人脸。图片人脸识别如图12所示。

视频源人脸识别通过摄像头等实时拍摄设备或视频文件，直接从视频中发现人脸并进行识别。点击打开视频设备或打开视频文件，程序打开视频，当发现需要识别的人脸时，点击捕获按钮，即进入自动检测人脸和自动识别。左侧窗口显示视频图像，右侧上排显示检测出的人脸，下排显示识别出的人脸。视频源人脸识别如图13所示。

5 结语

本文系统采用MATLAB交互式程序设计语言，具有强大的矩阵运算和操作功能，能够完成大部分图像处理，同时节省编写低层算法代码的时间。改进了基于小波变换和主成份分析（PCA）提取特征向量与支持向量机相结合的人脸识别方法。通过小波变换和PCA对图片降维，人脸识别的主要特征保持不变。应用肤色模型理论进行人脸检测，通过小波变换和主成份分析法进行人脸特征提取，最后通过支持向量机进行人脸识别，实现了对普通图片和视频的人脸识别。从运行结果看，还需进一步调整参数，使人脸识别效果达到最佳。程序运行实时性欠佳，有待进一步提高其算法功能。

理论和实践都表明，利用不同原理而得到的多种特征提取方法，具有较强的互补性。多种特征经过融合后，可以更全面地反映被测人脸的特征信息，并能提高识别精度。因此，小波特征与其它特征的融合有待于进一步研究。人脸图像本身是三维的非刚性集合体，三维数据能为人脸识别提供更丰富的信息，用二维图像来识别三维人脸信息，必然会引入一定的误差，因此基于三维模型的人脸识别必将成为是未来人脸识别发展的主流。

参考文献：

[1]XIAOFEI HE，DENG CAI.Learning a maximum margin subspacefor image retrieval[J].IEEE Transactions on knowledge and data engineering.，2008，20（2）：189-201.

[2]JIAN YANG，DELIN CHU，LEI ZHANG.Sparse representation classifier steered discriminative projection with applications to face recognition[J].IEEE Transactions on Neural Networks and Learning Systems，2013，24（7）：1023-1035.

[3]王金云，周晖杰，纪政.复杂背景中的人脸识别技术研究[J].计算机工程，2013，39（8）：196-199.

[4]余嘉，方杰，许可.基于加权小波的DCT人脸识别算法研究[J].计算机工程与应用，2012，48（17）：199-202.

[5]郝静静，李莉.一种基于KPCA与LDA的人脸识别改进算法[J].电子技术应用，2013，39（12）：132-134.

[6]樊春玲，陈秀建.基于PCA和LDA的人脸识别系统设计控制工程[J]，2012，19（4）：712-715.

[7]肖潇，王宪保，王守觉.多自由度神经元模型的人脸识别算法研究[J].小型微型计算机系统，2012，33（12）：2693-2695.

[8]周杰，卢春雨，张长水，等.人脸自动识别方法综述[J].电子学报，2000，28（4）：102-107.

[9]褚勤.基于小波分析和支持向量机的人脸识别方法研究[D].广州：华南理工大学，2012.5.

[10]王跃明，潘纲，吴朝晖.三维人脸识别研究综述[J].计算机辅助设计与图形学学报，2008，20（07）：819-829.

[11]张东.图书借阅管理系统的人脸识别技术[J].科技与管理，2014，16（04）：65-67.

（责任编辑：陈福时）