伊力哈木·亚尔买买提

摘 要： 针对非均匀光照因素干扰维吾尔族人脸识别效果，提出基于CL多小波和灰度排列对（GAP）算法。首先通过归一化系统操作消弱非均匀光照对维吾尔族人脸图像的初级影响，然后利用CL多小波分解一层操作提取维吾尔族人脸图像中的非高频信息，再采取GAP算法找到维吾尔族人脸图像中固定的二维像素点差，为每个类型的维吾尔族人脸信息图像创立其对应的背景匹配模版，最后分类识别经过估算的测试样本图像和每个类型模版的匹配程度。实验结果表明，该算法在保留维吾尔族人脸图像特征的同时，极大地提高了维吾尔族人脸的识别率和运算速度，使维吾尔族人脸图像拥有了非均匀光照下良好的鲁棒性和实时性。

关键词： 非均匀光照； 维吾尔族人脸； CL多小波； 灰度排列对； 非高频信息； 背景匹配模板

中图分类号： TN911.73?34； TP181 文献标识码： A 文章编号： 1004?373X（2018）11?0060?05

Research on an improved Uygur face recognition algorithm

YILIHAMU Yaermaimaiti

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

Abstract： Aiming at the Uygur face recognition effect interfered by non?uniform illumination factor， an algorithm based on CL multi?wavelet and gray arrangement pair （GAP） algorithm is proposed. The normalized system operation is used to weaken the primary influence of non?uniform illumination on Uygur face image. The CL multi?wavelet decomposition one?layer operation is used to extract the non high?frequency information in Uygur face image. After that， the GAP algorithm is adopted to find the fixed two?dimensional pixel points difference in Uygur face image， and create the background matching template corresponding to the Uygur face information image of each type. The estimated test sample and matching degree of each type template are classified and recognized. The experimental results show that the proposed algorithm can greatly improve the recognition rate of Uygur face image and calculation speed while reserving the image characteristics of the Uygur face， which makes the Uygur face image possess strong robustness and high real?time performance under non?uniform illumination.

Keywords： non?uniform illumination； Uyghur face； CL multi?wavelet； gray arrangement pair； non high?frequency information； background matching template

0 引 言

新疆位于中国西北部，具有独特的地理位置，少数民族众多，其中维吾尔族属于新疆最大的少数民族，具有其独特的面部特征，并且与中亚国家的人脸有着高度相似的面部特征，研究人脸识别技术对于发展当地的信息处理能力有着很大帮助，而且其结果会影响到中亚乃至西亚地区，具有重要的意义。

近几年，研究人脸图像识别算法有主成分分析（PCA）、Fisher鉴别分析、支持向量机算法（SVM）等一些较为经典的特性识别算法。虽然此类算法取得了较好的成就，但是仍然存在很大的束缚性。PCA可以将高维图像进行有效降维，并且对于较小的干扰有一定的鲁棒性，但是当干扰因素较大时，如非均勻光照及局部遮挡等因素，其算法性能严重下降；FDA算法虽然能够较好地提取人脸特征，但是在处理高维人脸信息能力中比较困难；SVM算法对大规模训练样本难以实施，且在非均匀光照和局部遮挡环境下开展对维吾尔族人脸识别会产生大量的运行时间[1]。

基于以上因素，本文提出CL多小波和灰度排列对（GAP）算法的维吾尔族人脸图像识别。首先对维吾尔族人脸图像通过归一化操作消弱非均匀光照的干扰，然后通过多小波一层分解提取维吾尔族人脸图像信息的低频部分，构造出进一步减弱光照影响的维吾尔族人脸图像，再利用GAP方法构造维吾尔族人脸图像的背景模版，最后进行分类识别。实验结果表明，所提算法有效提升了非均匀光照环境下维吾尔族人脸信息图像辨析处理能力，提高了识别率[2]。

1 维吾尔族人脸特点概述及数据库的构建

维吾尔族居住于中国新疆维吾尔自治区，其外貌特征比较明显，虽然他们是黄种人，但是由于种族的形成、通婚等使他们保留了大量白种人的血统。男子体毛较发达，喜留胡须，两眼间距离较近，眼窝内陷，身材较高大，脸型多呈长方脸（国字型），尖鼻子较多，大部分杏核眼，双眼皮较多，发色、眼色较浅，眼裂较长，鼻子尖，发色、眼色呈黄褐色。

基于以上维吾尔族人脸特征，必须构建一套完整以及高质量的维吾尔族人脸数据库。为了突出维吾尔族人脸的主要特征，主要采集了新疆南部以及伊犁地区的维吾尔族人脸，这些地区的维吾尔族人脸保留了大部分的民族特征，具有很好的典型性。在采集过程中，尽量采集不同性别、年龄等方面的维吾尔族人脸，突出其面部主要特征，为机器识别分类奠定了良好的基础。根据课题要求及资助条件，所使用的采集工具为高清晰度的佳能EOS70D单反相机，在不同的环境下采集维吾尔族人脸信息数据，构建维吾尔族人脸数据库，部分维吾尔族人脸数据库如图1所示。

2 CL多小波基本理论

多小波的研究重点是构建由多尺度线性函数产生多分辨的二维分析空间，以便进一步获得更大的辨析自由度。多小波是被多数小波线性函数通过其空间尺度伸缩和平移构造，对应地也包含几个尺度线性函数。

多小波的非單一尺度线性函数[φt]和相应的非单一小波线性函数[ψt]都满足如下的矩阵多分辨尺度线性方程：

[φt=2k∈ZHkφ2t-kψt=2k∈ZGkφ2t-k] （1）

式中：[Hk]和[Gk]为[r×r]维线性系数二维矩阵，[r]为多小波的线性维数[3]。

CL多小波利用均衡多小波法进行预处理。首先将需要拆分采样的信号进行奇偶校验，然后将分解的线性多小波和构建的高低通滤波器的线性矩阵进行均衡化分析处理，其均衡化算子为：

[R=121-111] （2）

均衡后的低频和高频线性滤波器划分为：

[H=RHRT，G=RGRT] （3）

CL多小波的低频和高频算子[LT]和[TT]满足等式：

[Lu1=u1，Tu1=0] （4）

式中[u1=…，1，1，1，1，…T，]即[u1]在低通线路保持畅通，而在高通线路则被删除。最后将均衡后的多小波对应的低高通线性滤波器取代先前的低高通线性滤波器来推进线性变换。

3 GAP人脸识别算法概述

假定有[K]类二维人脸图像，其样品数为[Li1≤i≤K]个，即可抽取[T]个样品作为此类背景模版的产生。第一步，抽取相关点[P]的[MM>2N]个备选原点[Qm1≤m≤M]；第二步，从中抽取符合要求的[2N]个原点用来构造模版。

1） 备选原点的抽取

在[T]个样品中抽取第[t]个人脸图像，假定[t]有[U×V]个二维像素。对随意的相关点[P∈Γ：=][u，vu=1，2，…，U；v=1，2，…，V]，按照延伸的目标，将[P]分别和[CC=8]个延伸方向上的像素关系点进行差值线性运行，均延伸到各个方位图像的边沿为主，保留像素关系点差值不小于阈值[WG]（或小于[-WG]）的目标点[Q+m]（或[Q-m]）的方位，然后将这些目标点记为[X+tP]（或[X-tP]）：

[X+tP：=Q+tItP-ItQ≥WG] （5）

[X-tP：=Q-tItP-ItQ≤-WG] （6）

式中[Q+tQ-t]为第[t]幅图像信息点[P]的正（负）关联点[4]。

对于[T]幅人脸图像中位置一样的相关点[P]，其所有备选原点的抽取要求如下：

[X+P：=Q?tX+tP，t=1，2，…，TT≥Wp] （7）

[X-P：=Q?tX-tP，t=1，2，…，TT≥Wp] （8）

式中[?tX+tP，t=1，2，…，T]表示遍及全部[T]幅人脸图像，总结出全部符合要求式（5）的[t]的数目，[Wp0.5

2） 算出相关点[P]和备选原点[Qm]的平均值。对于[T]幅人脸图像中同一方位的相关点[P，]其平均值可以经过下式计算：

[IP=1Tt=1TItP] （9）

由[?tX+tP，t=1，2，…，T]可以得出对于[T]幅人脸图像中相同关系点[P]全部符合式（5）的[t]的数目，对应的[t]值能够用线性矩阵表示为[t1，t2，…，tH+∈R1×H+，]与关系点[P]相应的正备选原点[Q+m]（或[Q-m]）的线性均值[6]为：

[I（Q+m）=1H+i=1H+ItiP] （10）

[I（Q-m）=1H-i=1H-ItiP] （11）

式中：[H+=?tX+tP，t=1，2，…，T；][H-=][?tX-tP，][t=1，2，…，T。]

3） 根据像素差的大小选择原点。其关系点和原点之间的像素差越接近，其背景模板越具有良好的检测结果。在这里，以正原点举例，将关系点平均值和相应的正备选原点汇集所有点的平均值进行线性差值运算，然后把得到的线性差值由小到大进行排序，选择排在前[N]个正（负）备选原点汇集的点作为正（负）原点，记为[ref+Pref-P]。以正原点为例，其选择定律如下：

[Q1

按照由小到大的顺序排序，[Q1]排在[Q2]的前面则被优先选择。那么就可以获得有关正原点集[ref+P]和负原点集[7][ref-P]。

4） 背景模版的建立。构建所有相关点[P]最靠近的[N]个正原点[Q+n]和[N]个负原点[Q-n，]然后依据原点的方位来构造人脸图像背景模版，并把[P]和[Qn]的关系[8]表示为：

[MP，Qn：=1， Qn∈ref+P-1， Qn∈ref_P] （13）

4 CL多小波和GAP融合算法的维吾尔族人脸

识别方法

本文所提出的CL多小波和GAP融合算法的维吾尔族人脸图像识别算法主要包含构造合适的维吾尔族人脸图像背景模版和维吾尔族人脸图像测试样本的有效辨识两个步骤。构造维吾尔族人脸图像背景模版的步骤为：先将其训练的维吾尔族人脸图像进行线性对数域加强，然后进行反复行预滤波，再把预滤波后的维吾尔族人脸信息图像通过CL多小波分解一层操作，进而抽取出非高频的图像信息，利用GAP算法将获得的维吾尔族人脸图像信息的非高频频特征建立隶属于该类的维吾尔族人脸图像背景模版。测试阶段是把准备测试的维吾尔族人脸图像通过增强操作后，同样利用预滤波和CL多小波变换抽取非高频信息分量，通过GAP算法估算出所测试的维吾尔族人脸图像非高频分量中相对稳固的像素差关系点对，最后进行分类识别，其算法流程如图2所示。

具体算法步骤如下：

假定具有[K]类训练维吾尔族人脸图像，且所有类别中拥有[Tk1≤k≤K]个训练样品。若进行对数域线性归一化后的第[k]个样品为[Xk=x1，x2，…，xTk ，1≤k≤K，]其中，[xi，1≤i≤Tk]表示第[k]个图像中的第[i]个维吾尔族人脸图像，则CL多小波非高频滤波器为[ΨLLx，y]。

1） 将[K]类训练集中每幅维吾尔族人脸图像中的[xi，1≤i≤Tk]经过两次归一化后得到对数域维吾尔族人脸图像[xi，1≤i≤Tk]。

2） 把空间对数域线性归一化后的维吾尔族人脸图像[xi]利用循环行预滤波获得[9][xi，]然后利用CL多小波非高频滤波器获得拆解后的非高频部分的维吾尔族人脸图像[xi]：

[xi=ΨLL?xi] （14）

即获得了由第[k]类维吾尔族人脸图像通过CL多小波拆解后的非高频部分：

[XK=x1，x2，…，xTk] （15）

3） 按照构造背景模板的方法建立第[k]类维吾尔族人脸图像背景模板，然后估算出余下的[K-1]类背景模版[10]。

4） 准备检测的维吾尔族人脸图像[g]先通过空间对数域线性归一化和CL多小波非高频滤波后，将获得的图像[g]再一次按照构造背景模板的方法找到[g]中每一个相关点的正原点集和负原点集。

5） 按照之前所描述的GAP识别算法的分类识别方法，估算出在[K]类维吾尔族人脸图像背景模版中[g]中每一个正原点集与负原点集的匹配程度，把[g]归纳为匹配程度最好的种类[11]，也就是将极大值[k?]视作测试维吾尔族人脸图像的种类。

5 仿真实验

5.1 CMU PIE人脸数据库实验

CMU PIE人脸数据库中共有[68]人一共4 136幅人脸图像，如图[3]所示，在CMU PIE人脸数据库中随意抽取单人的[12]幅具有光照变化的人脸图像作为实验对象。由于本文研究的对象是光照条件下对人脸图像的識别，所以抽取了清晰光照下[50]人每人[24]张正脸的人脸图像进行识别实验。同样，由于要方便滤波和CL多小波拆解，便将选取的人脸图像裁剪为[64×64]大小，利用循环行预滤波（RR）和CL多小波拆解对人脸图像进行特征点抽取，GAP算法识别阶段设定阈值[WG=5，][WP=0.6]。随意抽取[3]张图像，视为其训练样本以便建立属于其类型的背景模板，剩下的人脸图像当做其检测样本来处理，分别进行主成份分析法（PCA）、传统GAP、本文算法即CL多小波和GAP融合算法的人脸识别对比实验，识别率结果见图4和表1。

由图4以及表1的结论可以看到，本文所提出的CL多小波分解和GAP的人脸识别算法好于PCA算法和没有通过CL多小波分解的传统GAP算法，并且在非均匀光照条件变化很大的背景下，此算法在不需要大量训练样本的条件下就能够很好地提高其最终的辨认效果，在训练样本数为[20]时，其识别率最终达到了92.1%，证明了本文算法能够克服光照变化下的干扰性，并在干扰性较强的光照条件下能够提高其识别效率。

5.2 维吾尔族人脸数据库实验

在这部分实验中，采用非均匀光照下自建的维吾尔族人脸数据库进行试验，自建的维吾尔族人脸数据库包括50人，每人20幅不同的人脸图像。维吾尔族人脸数据库的采集来自新疆不同地区，见图1。在实验中选取10幅图像作为训练样本，其余为测试图像。识别率见图5和表2。

从图5及表2中非均匀光照下维吾尔族人脸数据库识别率可以看到：本文算法对维吾尔族人脸数据库的识别达到了很高的效果，识别率也比传统的识别算法有了很大的提升，只需要很少的训练样本数便能够达到很高的识别率，其识别效率明显优于PCA算法和传统GAP算法，分别平均提高了11.63%和4.8%，其识别率最高达到98.1%。因此，本文所提算法很适合识别维吾尔族人脸，在非均匀光照下具有很好的鲁棒性。

5.3 不同算法运行时间分析

同时，从运行时间考虑，在Intel Core（i5 4570）3.2 GHz的CPU，4 GB内存，Matlab R2010a的计算机上验证本文算法和PCA算法、传统GAP算法在非均匀光照变化下和经过遮挡的维吾尔人脸自建数据库下人脸识别的处理运算速度对比。实验中，采用100，150，250，…，500幅维吾尔人脸实验图像，在不同算法下运用其时间的计时函数tic和toc处理识别维吾尔族人脸图像所需要的时间，如图6和表3所示。

由图6及表3中的数据显示：本文所提算法在计算机运行上有很大程度的提高，比PCA算法速度提升了78%，比传统GAP算法速度提升了69.9%。说明本文提出的算法在非均匀光照变化下和经过遮挡的维吾尔族人脸自建数据库的运行时间上有很大优势，在很大程度上缩短了时间，具有良好的实时性。

6 结 论

本文针对由于非均匀光照因素干扰维吾尔族人脸识别效果，影响了维吾尔族人脸的特征提取效率和维吾尔族人脸识别正确率的问题，提出CL多小波和GAP融合算法的维吾尔族人脸识别方法。首先计算所有类别的维吾尔族人脸图像中多小波特征中的非高频稳定的二维像素点差，然后将多小波提取的维吾尔族人脸图像的非高频部分中创建所对应的背景模版，最后把计算的检测样品中多小波非高频特征中稳定的二维像素点差与创建的模板进行匹配度分类。通过实验表明，本算法对非均匀光照因素下维吾尔族人脸的识别率最高达到98.1%，运算速度上最大提升了78%，使维吾尔族人脸图像拥有了非均匀光照下良好的鲁棒性和实时性。

参考文献

[1] WANG Jing， SU Guangda， XIONG Ying， et al. Sparse representation for face recognition based on constraint sampling and face alignment [J]. Journal of Tsinghua University （science and technology）， 2013， 18（1）： 62?67.

[2] ZHU Ningbo， LI Shengtao. A Kernel?based sparse representation method for face recognition [J]. Neural computing and applications， 2014， 24（3）： 845?852.

[3] TANG Deyan， ZHU Ningbo， YU Fu， et al. A novel sparse representation method based on virtual samples for face recognition [J]. Neural computing and applications， 2014， 24（4）： 513?519.

[4] WANG Yuyao， WANG Min， CHEN Yan， et al. A novel virtual samples?based sparse representation method for face recognition [J]. Optik： international journal for light and electron optics， 2014， 30（3）： 567?571.

[5] DEEPA G M， KEERTHI R， MEGHANA N， et al. Face recognition using spectrum?based feature extraction [J]. Applied soft computing， 2012， 12（9）： 2913?2923.

[6] 梁爽，肖章林.CLAHE融合低频DCT系数重变换的人脸识别算法[J].计算机仿真，2015，32（8）：255?259.

LIANG Shuang， XIAO Zhanglin. Face recognition algorithm fusion CLAHE and low frequency DCT coefficients sparse representation for retransformed [J]. Computer simulation， 2015， 32（8）： 255?259.

[7] YANG L P， GU X H. Relative gradient histogram features for face recognition [J]. Optics and precision engineering， 2014， 22（1）： 152?159.

[8] 杨国亮，丰义琴，鲁海荣.基于低秩表示中稀疏误差的可变光照和局部遮挡人脸识别[J].计算机工程与科学，2015，37（9）：1742?1749.

YANG Guoliang， FENG Yiqin， LU Hairong. Face recognition with varying illumination and occlusion based on sparse error of low rank representation [J]. Computer engineering and science， 2015， 37（9）： 1742?1749.

[9] CHAI Z H， SUN Z N， MENDEZ?VAZQUEZ H， et al. Gabor ordinal measures for face recognition [J]. IEEE transactions on information forensics and security， 2014， 9（1）： 14?26.

[10] 林克正，庄靓玮，荣友湖，等.基于Gabor特征的全局加权稀疏表示[J].哈尔滨理工大学学报，2016，21（1）：40?44.

LIN Kezheng， ZHUANG Liangwei， RONG Youhu， et al. Based on Gabor characteristics global weighted sparse representation [J]. Journal of Harbin University of Science and Technology， 2016， 21（1）： 40?44.

[11] CHO Hyunjong， ROBERTS Rodney， JUNG Bowon， et al. An efficient hybrid face recognition algorithm using PCA and Gabor wavelets [J]. International journal of advanced robotic systems， 2014， 4（9）： 4?12.