（中国人民解放军92785部队 葫芦岛 125208）

1 引言

在传统的信号处理中，通常认为随机变量具有高斯分布特性。但在实际处理过程中，信号却具有非高斯分布特性，例如自然景物图像，声音，脑电信号等，满足高斯分布特性的信号少之又少，通过独立分量分析方法对信号进行处理不需要其满足高斯分布，是一种新的盲源分离（Blind Source Separation，BSS）技术［1～2］，在一定条件下，其可以通过多通道信号观测有效分离出源信号，因此独立分量分析方法的研究具有广泛的应用前景。核心是以独立统计为依据，通过建立目标函数实现对信号源的分解、优化，进而实现对观测信号的分析。在独立分量分析过程中，一般建立不同的目标函数对信号的非高斯特征进行分析，为使其非高斯性达到最大，还需通过不同的优化算法对函数进行处理，最终达到ICA各分量尽可能相互统计独立的效果。本文简要介绍了独立分量分析问题的描述和预处理方法，分析了基于负熵最大化判据的FastICA算法，并将其应用于人脸特征提取，在人脸识别中得到了满意的结果。

2 基于负熵最大化判据的独立分量分析算法

2.1 ICA问题的描述和处理方法［3］

ICA问题可以描述为假设在m个通道中获取到m个信号xi=(i=1，2，…，m)，则每个观测信号即是由n个独立源信号si=(i=1，2，…，n)的线性混合而成。即

其中，观测信号矢量矩阵为X=[x1，x2，…，xm]T，源信号矢量矩阵为S=[s1，s2，…，sn]T；A是尺寸为m×n的未知混合矩阵，也是ICA问题需要解决的方面。ICA解决的基本问题就是仅通过观测数据xi估计未知独立源si，或估计混合矩阵A。对于具有非高斯分布特证的信号而言，具体方法是寻找一个矩阵WI，使得

要求输出信号yi相互独立，则Y=[y1，y2，…，yn]T就是S的估计量。

首先对原始数据一般先进行预处理，可使ICA的工作量大大减少。在数据预处理中，数据的“白化”过程在其中起到至关重要的作用，实质上是利用线性变换得到各分量互不相关的新向量Z，并使Z的各个分量间互不相关，且必须满足E(ZZT)=I。利用奇异值分解（AVD）方法对X施加线性变换，假设一白化矩阵WP，可使Z=WPX。由矩阵分析理论知，Cx的协方差矩阵Cx=E(XXT)可分解为

其中WI=WWP，由E(YYT)=WE(zzT)WT=WWT=I可知，ICA的变换矩阵W是一个正交阵。由此可见，白化过程对ICA并不产生影响，且分离矩阵对原先估计矩阵而言，自由度大大减少，使得计算的复杂度有了显著降低。

2.2 基于负熵最大化判据的目标函数

熵往往用来衡量信息的不确定性。在所有等方差随机变量中，高斯分布的随机变量熵最大。基于这一特点需要引入负熵概念（Negentropy），区别非高特性的信号，建立函数实现对其度量。对任一随机变量x，其负熵［4～5］定义为

其中xG是具有和x相同方差的高斯变量，H(·)为随机变量的信息熵：

根据公式可知，当且仅当x满足高斯分布特征时，负熵值为零，当x服从其它非高斯分布特征时，由公式可知负熵的值始终大于零。当满足可逆的线性变换时，负熵的值保持不变因而，负熵可以用来对非高斯信号进行分析处理。但在负熵的计算中需估计随机变量的概率密度，计算量较大，为方便计算，对负熵进行合理有效近似，其中一种较好的负熵近似［6］：

其中，E(·)为均值计算，G(·)是一种非线性、非二次的函数，通常选择如下形式的G(·)函数：

由中心极限定理可得，随机信号在度量中可以通过非高斯性实现相互依赖，x的非高斯性越强，J(x)值越大，可以得知最大化负熵即为最大化非高斯特性。

2.3 基于负熵最大化判据的FastICA算法

FastICA算法分如下两步实现［7］：1）白化处理观测信号；2）提取独立分量。其中，步骤1）在上面已经分析过，下面着重分析独立分量的提取。白化过程解决了信号之间的相关性问题，将信号分解成为互相独立的信号，但并没有实现对图像的分离。需要寻找一个分离矩阵W实现对白化信号Z中的独立分量的提取。（注：此处提及的W是针对白化以后的信号Z而言的），分离矩阵W由迭代法不断逼近，假设变量n表示迭代步数，si为S中的某一分量，wi(n)为分离矩阵W(n)中，与si对应的某一行向量，即

利用定义目标函数度量si的非高斯性，每一次迭代过程对wi(n)进行优化，使其不断逼近分离矩阵。FastICA算法的调整公式为［8］

当相邻两次的wi(n)变化值较小或无变化时，可认为找到si，迭代完成。通过对时间平均获得式（12）中的均值。在迭代过程时要注意每次迭代后都要对wi(n)进行归一化处理(wi(n)=wi(n)/||wi(n)||)。对于多独立分量也可以采用此方法，需要注意的是需要在观测信号中减去提取出的独立分量，以此得到混合矩阵A和分离矩阵W。

3 FastICA算法在人脸特征提取中的应用

人脸特征提取及识别目前是国内外研究的一个重要方向，研究过程中发现，人脸的图像细节与高阶统计特征密切相关。ICA方法便是基于高阶统计特征，实现对多通道数据信息的处理分析，提取出图像内部的独立特征。

3.1 独立分量处理的人脸图像描述方法

本文对ICA标准人脸库进行分析，以此得到人脸识别统计的基本图像。如图1所示，源图像S经过线性混合后得到X，其中A为未知混合矩阵，满足X=AS。根据前文所述的方法，利用ICA方法估计分离矩阵WI，将原图像用分离矩阵从观测图像中分离，得到满足统计独立的输出矩阵Y。

图1 基本ICA模型

输出矩阵Y=WIX的行向量是分离后的人脸基图像。

如图2所示，人脸图像是由独立基图像经过线性组合构成的，混合矩阵A由每张图人脸线性组合的系数构成，A同样可通过计算分离矩阵WI得到，。设xm为待识别人脸，在人脸空间中有

图2 ICA独立基图像描述

其中，(a1，a2，…，an)即为投影系数。

3.2 实验与分析

本实验采用CAS-PEAL标准人脸数据库［9］进行ICA识别测试。本文从该数据库中挑出400幅人脸图像，包括40个不同的测试者，每人10幅在不同姿态、表情、装饰和光照条件下的人脸图片。其中图片内容包括了不同时期、光照和表情变化，所有图像均为黑色背景。

图3 ORL人脸库中的部分人脸图像

首先将图像进行标准化处理，得到65×65像素的脸图，保证实验时人脸尺度的一致性；通过低通滤波手段，降低光照等对图片影响，将人脸特征突出。具体方法是，将每一幅65×65人脸按行展开为1×4225行向量，n幅人脸构成n×4225输入矩阵X。

按照3：2的要求组成训练集和测试集，其中训练集随机选择了70个测试者的照片。每人前6幅65×65图像构成，得到420×4225的原始矩阵X，后4幅图像构成测试集。将首先运用PCA方法［10～12］降低原始矩阵X维度。在该实验中，我们对数据进行降维50%，保留了96%的原始数据，将降维后的矩阵进行ICA处理，输出矩阵Y的每一行向量便是每份训练集人脸的基图像。由于每行向量之间互不相关，故其人脸图像的投影系数唯一代表着该图像，得到的系数构成混合矩阵A。此时，识别问题变成了系数的识别问题，可以利用分类器实现对人脸图像的识别。

4 结语

本文分析了基于负熵最大化判据的独立分量分析算法，并将其应用于人脸特征提取，在人脸识别中得到了满意的结果。由于ICA理论、算法仍不断在优化，后续许多问题的分析、处理方法都可以随之进行完善，包括对大量数据的人脸识别也成为后续该方法的研究重点。