翁冠碧 张志坚 温峻峰 李鑫

图像中的人脸多姿态变化，导致人脸特征发生变化，影响人脸识别的准确性，是人脸识别技术现实应用过程中所面临的主要问题之一。本文提出了一种基于HOG和WCCN方法组合的多姿态人脸识别算法，采用HOG方法可提取更加丰富的人脸特征信息，有助于提高人脸识别的准确性，使用WCCN方法进行SVM分类器，可以降低人脸姿态变化对人来识别的影响，进而提高多姿态人脸识别的准确性。

【关键词】多姿态 人脸识别 HOG方法 WCCN方法

人脸识别是一种基于生物特征，进行身份识别鉴定的技术，是一种直观、方便的识别技术，当前已经在很多领域中广泛应用。人脸检测系统一般可以分为人脸检测与定位，和特征提取与识别两个部分。首先，从图像背景中确定人脸的位置，并通过人脸特征的提取和匹配，实现人脸识别。在人脸识别技术中，多姿态是由于图像采集角度不同，导致待检测的人脸图像，与系统中已采集并作为匹配模板使用的人脸图像难以匹配的问题。多姿态人脸识别在人脸识别应用中非常常见，也是人脸识别的难点。本文也主要针对人脸识别技术应用过程中的人脸多姿态问题，通过人脸姿态估计，以提高人脸识别系统的可靠性。

1 人脸姿态识别概述

由于人脸姿态的多样性，为了实现人脸姿态的筛选和判断，需要进行人脸姿态的划分，从而将人脸姿态识别问题，转换为一个多类分类问题。同时，人脸姿态估计问题满足模式识别问题的基本构成：获取信息、预处理、提取特征、分类，因此，人脸姿态估计问题也是一种模式识别问题。基于此，确定人脸姿态估计的基本流程如图1所示。

如图1所示，人脸姿态估计流程可分为训练和估计两个部分。在训练过程中，对训练样本图片进行剪裁和灰度化处理，并提取圖像特征作为训练特征数据集，使用分类器实现训练特征数据集的分类。人脸姿态估计流程与训练流程类似，使用同样的方法提取图像特征后，根据训练好的分类器对带估计人脸图像进行分类，其分类的结果即为人脸姿态评估结果。

人脸姿态估计问题本质上是一个姿态分类问题，当前国内外研究人员在这一问题上所采用的方法主要有基于模板、基于特征或基于分类的方法。

1.1 基于模板的方法

常见的人脸姿态模板有圆柱模板和椭圆模板两种，根据先验知识，建立形状模板，然后通过人脸面部器官与模板的匹配，实现人脸姿态估计，这种方法原理和实现都较简单，但是当人脸姿态变化较大导致人脸器官自遮挡较严重时，其准确率会急剧下降

1.2 基于特征的方法

包括基于局部特征和基于全局特征的识别方法，基于特征点的相对位置和绝对位置实现人脸姿态，这种方法的准确性很大程度上，与所选取的特征是否合理有关。

1.3 基于分类的方法

通过使用神经网络、支持向量机（SVM）等分类算法，通过挖掘人脸图形的隐含姿态信息，实现人脸姿态估计，由于人脸姿态及其图像的特征，因此往往需要与其它方法结合起来，以提高人脸姿态估计的准确性。

如上所述，基于模板的人脸姿态估计方法，需要较全面的采集样本不同姿态的信息作为模板进行人脸姿态估计，其实用性不强。为此，常见的人脸姿态估计方法为：首先提取人脸姿态特征，然后采用分类器实现人脸姿态估计。

2 人脸识别算法研究

本文研究中，主要采用梯度方向直方图（HOG）方法提取人脸图像特征，并采用类内协方差规整（ WCCN）方法对SVM分类器的和空间特征进行规整，以此实现人脸姿态估计和人脸识别。

2.1 HOG方法

HOG通过统计局部区域的梯度方向直方图，对图像中的物体轮廓进行描述，是一种有效提取图像几何特征的方法。其实现步骤如图2所示。

在HOG图像中每一个像素点的HOG值a（x，y）的计算步骤如下所示：

（1）计算原始图像中像素点（x，y）的水平方向和垂直方向的梯度。

其中，表示原始图像像素点H（x，y）的像素值。

（2）计算每一个像素点的HOG值α（x，y）。

2.2 WCCN方法

WCCN是一个SVM核空间的特征数据规整处理方法，在SVM核空间中，实现任务无关噪声和干扰信息的最小化，和任务相关信息的最大化。通过WCCN处理，可以降低人脸姿态信息对人脸识别的影响，以提高SVM分类器的性能，提高人脸识别准确性。

SVM实现的重要思想是找到一个具有最大间隔的特征空间超平面，将问题转换为超平面内的凸二次规划问题。SVM有多重核函数，本文以广义线性核（ OvA）为例，进行WCCN设计。

OvA分类器的决策函数如下所示：

其中，fi为第i类决策函数，bi为偏移量，vi为权值向量，若fi（x）>0，则表示样本属于第i类。fi的分类风险函数定义如下：

其中，p（f（x）>0|x？i）表示分类器的误检率，p（fi（x）

针对上述问题，引入WCCN的概念，将最小化风险函数上边界的问题，转换为如式（6）所示的最优化问题。

2.3 人脸识别流程设计

本文所研究的基于HOG和WCCN的人脸识别流程设计如图3所示。

（1）将人脸图像库中的图像进行统一图像尺寸、光照归一化、图像灰度化等预处理;

（2）利用HOG方法提取人脸图像特征，组成训练集合;

（3）对训练集中的人脸图像进行WCCN处理，以人脸姿态角度作为依据划分训练结合;

（4）采用线性核SVM分类器对处理后的人脸图像进行分类，以及根据分类结果的反馈，对SVM分类器进行优化;

（5）将测试样本按照如上的流程，得到测试样本的分类预测结果。

3 人脸识别算法的实验

3.1 实验库选择

选择美国卡内基梅隆大学创建的CMU-PIE数据库进行本文所研究的人脸识别算法的实验验证。CMU-PIE中包含了非常丰富的不同姿态、表情和光照条件下的人脸图像数据。在实验过程中，从数据库中提取24个样本的人脸图像，每个人脸图像包含如图4所示的-90°至90°之间的9钟姿态。

3.2 实验过程

本次实验，根据如前所述的人脸识别过程，采用PCA和HOG人脸特征提取算法，和是否使用WCCN进行优化的SVM分类器进行两两联合实验。

实验时，分别选取10～15个样本作为试验集，而剩余样本作为训练集，总计进行6次实验，通过6次实验的平均值来对比不同算法组合的人脸识别准确性。

实验过程中的各参数设置如下：

（1） SVM选择线性核函数，其它参数为LibSVM中，SVMtrain函数的默认参数;

（2） PCA的主成分比例設置为0.9;

（3）在WCCN分类中，确定同一样本不同姿态类的先验概率为p（i）=l/9。

3.3 实验结果分析

3.3.1 特征提取对比

提取样本的人脸特征是进行人脸识别的第1步，本次实验过程中选择了PCA和HOG两种人脸特征提取方法。

其中，基于PCA技术的人脸特征提取思路为：通过Karhunen-Loeve变换，识别人脸图像主要特征，将人脸图像投影到特征人脸空间。其最终提取的人脸特征向量维数情况如表1所示。

如上所示，可以看出HOG方法提取的人脸特征更多，特征越多对人脸的描述也越详细，有助于提高人脸识别的准确性。

3.3.2 分类算法对比

PCA和HOG人脸特征提取算法，和是否使用WCCN进行优化的SVM分类器，总计4中组合的测试人脸样本的分类准确性如图5所示。

如图5所示，在6次实验中，使用HOG人脸特征提取方法和使用WCCN优化后的SVM分类器组合的人脸识别算法稳定，而且准确性较高，表明使用本文所研究的HOG+WCCN的人脸识别算法，可以有效的提高多姿态人脸识别的准确性。

参考文献

[1]G. Hilton，D.Mumford. Reducingthe dimensionality of datawithneuralnetworks [J].Science， 2006， 313 （5786）： 504.

[2]F.Zhi Peng，Z. Yan Ning. Survey forDeep Learning in Face Recognition[C]. 2014 IEEE InternationalConference.2014， 5-8.

[3]J. Wright，A.Y.Yang，A. Gane sh. Robustface Recognition via SparseRepresenta tion

[J]. IEEE， Transactionson Pattern Analysis and Machine Intelligence. 2009， 31 （02）： 210-227.