RBF網(wǎng)絡(luò)和貝葉斯分類器融合的人臉識(shí)別方法設(shè)計(jì)

引言

本文基于人臉圖像分塊和奇異值壓縮，進(jìn)行RBF 神經(jīng)網(wǎng)絡(luò)和貝葉斯分類器融合的設(shè)計(jì)。將人臉圖像本身的灰度分布描述為矩陣，其奇異值特征具有轉(zhuǎn)置不變性、旋轉(zhuǎn)不變性、位移不變性、鏡像不變性等諸多重要的性質(zhì)，進(jìn)行各種代數(shù)和矩陣變換后提取的代數(shù)特征是人臉的表征。由于整體圖像的奇異值向量反映的是圖像整體的統(tǒng)計(jì)特征，對(duì)細(xì)節(jié)的描述還不夠深入，本文模擬人類識(shí)別人臉的模式，在圖像分塊和加權(quán)的基礎(chǔ)上，突出待識(shí)別人臉的骨骼特征，近似于人類在識(shí)別人臉時(shí)自動(dòng)剔除同一人臉的變化部位的差異能力

徑向基函數(shù)（RBF）網(wǎng)絡(luò)是一種性能良好的前饋型三層神經(jīng)網(wǎng)絡(luò)，具有全局逼近性質(zhì)和最佳逼近性能，訓(xùn)練方法快速易行，RBF 函數(shù)還具有局部響應(yīng)的生物合理性。RBF神經(jīng)網(wǎng)絡(luò)隱含層結(jié)點(diǎn)使用了非線性傳輸函數(shù)，比單層感知器網(wǎng)絡(luò)具有更強(qiáng)的分類能力。在隱含層中心確定的情況下，RBF神經(jīng)網(wǎng)絡(luò)只需對(duì)隱含層至輸出層的單層權(quán)值學(xué)習(xí)修正，比多層感知器具有更快的收斂速度，這也是本文選擇RBF神經(jīng)網(wǎng)絡(luò)作為分類器的原因。

在 RBF 神經(jīng)網(wǎng)絡(luò)構(gòu)建和初始化采取有監(jiān)督的聚類算法，在網(wǎng)絡(luò)參數(shù)的最終調(diào)整和訓(xùn)練方面采取 Hybrid學(xué)習(xí)（HLA）算法。在隱層參數(shù)固定的條件下，由線性最小二乘法計(jì)算隱層和輸出層之間的連接權(quán)值，由梯度下降法調(diào)整隱層神經(jīng)元的中心和寬度。這種混合學(xué)習(xí)算法，能使RBF網(wǎng)絡(luò)逼近Moody準(zhǔn)則下的最優(yōu)結(jié)構(gòu)，即：在沒有其它先驗(yàn)知識(shí)的情況下，與給定樣本一致的規(guī)模最小的網(wǎng)絡(luò)就是最好的選擇。從而保證該網(wǎng)絡(luò)具有較好的泛化能力。

貝葉斯網(wǎng)絡(luò)是一個(gè)帶有概率注釋的有向無環(huán)圖，圖中的每一個(gè)結(jié)點(diǎn)均表示一個(gè)隨機(jī)變量，圖中兩結(jié)點(diǎn)間若存在著一條弧，則表示這兩結(jié)點(diǎn)相對(duì)應(yīng)的隨機(jī)變量是概率相依的，反之則說明這兩個(gè)隨機(jī)變量是條件獨(dú)立的。網(wǎng)絡(luò)中任意一個(gè)結(jié)點(diǎn)X 均有一個(gè)相應(yīng)的條件概率表（CONditional Probability Table，CPT），用以表示結(jié)點(diǎn)X 在其父結(jié)點(diǎn)取各可能值時(shí)的條件概率。若結(jié)點(diǎn)X 無父結(jié)點(diǎn)，則X 的CPT 為其先驗(yàn)概率分布。貝葉斯網(wǎng)絡(luò)的結(jié)構(gòu)及各結(jié)點(diǎn)的CPT 定義了網(wǎng)絡(luò)中各變量的概率分布。

奇異值分解SVD

奇異值分解非常有用，對(duì)于矩陣A（m*n），存在U（m*m），V（n*n），S（m*n），滿足A = U*S*V’。U和V中分別是A的奇異向量，而S是A的奇異值。AA'的正交單位特征向量組成U，特征值組成S'S，A'A的正交單位特征向量組成V，特征值（與AA'相同）組成SS'。因此，奇異值分解和特征值問題緊密聯(lián)系。

奇異值分解提供了一些關(guān)于A的信息，例如非零奇異值的數(shù)目（S的階數(shù)）和A的秩相同，一旦秩r確定，那么U的前r列構(gòu)成了A的列向量空間的正交基。

對(duì)于任何一個(gè)矩陣A∈Rm×n，利用奇異值分解將其轉(zhuǎn)化為對(duì)角矩陣。

設(shè)A∈Rm×n（不失一般性，設(shè)m≥n），且rank（A）=k，則存在兩個(gè)酉矩陣Um×m和Un×n及廣義對(duì)角陣Dm×m使下式成立：

其中U的列向量是AAT的特征向量，V的列向量是ATA的特征向量，T表示轉(zhuǎn)置。

稱為矩陣A的奇異值， ui（i=k+1,…,m）是AAT對(duì)應(yīng)于λi=0的特征向量，vi（i=k+1,…, n）是ATA對(duì)應(yīng)于λi=0的特征向量。如果矩陣A代表一幅人臉圖像，則式

表示對(duì)該人臉圖像進(jìn)行了正交分解，將矩陣

中主對(duì)角線上的奇異值元素連同中剩余的（ri-k）個(gè)0組合構(gòu)成一個(gè)n維列向量

。

由于任何實(shí)矩陣A對(duì)應(yīng)唯一的奇異值對(duì)角陣

，因此，一幅人臉圖像對(duì)應(yīng)于唯一的奇異值特征向量。

（1）從人臉數(shù)據(jù)庫選擇人臉作為識(shí)別訓(xùn)練集；

（2）將被選入訓(xùn)練集的人臉圖像幾何歸一化處理；將被選入訓(xùn)練集的人臉圖像灰度歸一處理；

（3）將預(yù)處理過的人臉圖像劃分成大小為的子塊；

（4）將每一幅圖像變?yōu)橐粋€(gè)列向量（先分別將每一個(gè)子塊所有向量排成一列，再將所有子塊按順序排成一列）；然后以子塊為單位進(jìn)行；

基于面部骨骼特征、眼睛的分布、鼻子的形狀等結(jié)構(gòu)特征，是鑒別人臉的主要依據(jù)。將每一幅人臉圖像所形成的矩陣劃分成…等個(gè)二維矩陣分別降維為一維列向量。求訓(xùn)練集中所有對(duì)應(yīng)子塊的平均值，

；再對(duì)每一類樣本中的所有對(duì)應(yīng)子塊求平均，

；對(duì)應(yīng)子塊進(jìn)行樣本規(guī)范化，

；

并求協(xié)方差矩陣：

，

從中取 m 個(gè)較大特征值對(duì)應(yīng)的特征向量，構(gòu)成對(duì)應(yīng)子塊的特征臉空間 W1 ，即W1 =[w11,w12,…,w1 m ]T 。再對(duì)訓(xùn)練樣本進(jìn)行規(guī)范化處理

，投影到特征臉空間，獲得投影特征為：

。對(duì)任一測(cè)試樣本對(duì)應(yīng)子塊進(jìn)行規(guī)范化處理，即

，然后得到投影特征，即

　用上述方法逐一對(duì)每個(gè)子塊進(jìn)行處理。得到

。

基于特征分塊貝葉斯分類器設(shè)計(jì)

每個(gè)基于特征分塊的貝葉斯分類器，利用了所對(duì)應(yīng)的圖像塊包含的判別信息，為得到性能更好的分類器，需要將這些分類器融合給出最終的判別結(jié)果?？梢杂卸喾N辦法實(shí)現(xiàn)分類器融合，如加權(quán)求和、相乘等。本文采取加權(quán)求和的方法：

其中

表示兩幅圖像

的相似度，L是貝葉斯分類器(FBBC)的總數(shù)（這里是9），

是與的第b個(gè)特征塊之間的差值。

是由第b個(gè)貝葉斯分類器計(jì)算出的類條件概率密度。是第b個(gè)貝葉斯分類器對(duì)應(yīng)的權(quán)值。

不同的特征塊對(duì)應(yīng)的貝葉斯分類器對(duì)最終判別結(jié)果貢獻(xiàn)是不相同的，本文采取的是基于子分類器分類準(zhǔn)確率分配權(quán)值的方法：將各子分類器重新放回其訓(xùn)練集，計(jì)算其在訓(xùn)練集上的識(shí)別率，利用這些識(shí)別率，采用下式計(jì)算第b個(gè)子分類器的權(quán)值：

圖1人臉圖像的預(yù)處理

圖2 RBF神經(jīng)網(wǎng)絡(luò)的工作原理

RBF神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)

直接利用matlab工具箱進(jìn)行，這是一種較簡(jiǎn)單的設(shè)計(jì)方法，工具箱中提供了好幾個(gè)函數(shù)可以利用，newrb、newrbe，newpnn，newgrnn,早一些的版本還有solverb等。這幾個(gè)函數(shù)的使用以及參數(shù)說明請(qǐng)大家看相關(guān)資料。其中，為了看到每一步網(wǎng)絡(luò)的性能函數(shù)變化，建議設(shè)置DF參數(shù)時(shí)設(shè)為1。這樣每一步的圖都可以顯示出來，就對(duì)生成的網(wǎng)絡(luò)的過程有一個(gè)清楚的認(rèn)識(shí)。要查看設(shè)計(jì)好的網(wǎng)絡(luò)的參數(shù)，中心采用net.IW{1},輸出層權(quán)值采用net.LW{2}，隱含層的偏置利用bet.b{1},輸出層的偏置采用net.b{2}進(jìn)行察看。當(dāng)然，修改的時(shí)候：例如要修改輸出層的偏置，那么，就是net.b{2}=??,就可以了。這種方法網(wǎng)絡(luò)的初始中心是隨機(jī)從輸入的訓(xùn)練樣本中選取的，中心的個(gè)數(shù)也是由少到多逐步增加的。建議在確定spread參數(shù)時(shí)不要設(shè)計(jì)得太小，太小可能影響對(duì)測(cè)試樣本的識(shí)別。我自己做的是模式分類，但是對(duì)于曲線擬合應(yīng)該也是一樣的。

利用聚類算法確定中心，可以利用的聚類算法較多，最普通的就是K—均值聚類算法，還有最近鄰、模糊聚類、支撐向量基等方法，這些方法都是先確定中心，然后輸出層權(quán)值以及輸出層的偏置再采用lms、rls算法等進(jìn)行確定。在設(shè)計(jì)時(shí)，偏置可以根據(jù)自己的需要來設(shè)計(jì)，可以有也可以沒有。

假定∈（1≤j≤r）為輸入層神經(jīng)元，為隱層第 i個(gè)神經(jīng)元的中心，則第j個(gè)神經(jīng)元在第i個(gè)隱層節(jié)點(diǎn)的輸出為： , i =1,2,…,u，式中||||表示歐氏范數(shù)。當(dāng)RBF選用高斯核函數(shù)時(shí)，其輸出為：

式中為隱層第 i 個(gè)神經(jīng)元的寬度。輸出層第 k 個(gè)節(jié)點(diǎn)的輸出值 為： ，式中為隱層節(jié)點(diǎn) k 到第 j 個(gè)輸出節(jié)點(diǎn)的連接權(quán)值。

RBF神經(jīng)網(wǎng)絡(luò)的構(gòu)建和初始化

RBF神經(jīng)網(wǎng)絡(luò)隱層聚類的初始化過程如下[10]：

（1）隱層節(jié)點(diǎn)數(shù)u=s。假設(shè)每個(gè)類收斂于一個(gè)聚類中心，再根據(jù)情況具體調(diào)整。

（2）隱層第 k 個(gè)神經(jīng)元的中心為 k 類特征矢量的均值。，k=1,2,…,u，

（3）計(jì)算從均值 到屬于類k 的最遠(yuǎn)點(diǎn)的歐氏距離

（4）計(jì)算各個(gè)j聚類中心到k聚類中心的距離，j=1,2,…,s, j≠k

（5） 包含規(guī)則：若且，則類k包含于類中，類應(yīng)被

RBF神經(jīng)網(wǎng)絡(luò)的算法

網(wǎng)絡(luò)學(xué)習(xí)就是通過調(diào)整連接權(quán) 、隱層中心和寬度，以減小輸出誤差。

1、連接權(quán)值的調(diào)整

定義誤差函數(shù)為：

，

，其中

是第個(gè)訓(xùn)練樣本的實(shí)際輸出值和理想輸出值。通過線性最小二乘法求解最佳權(quán)值。

2、隱層中心及寬度調(diào)整

W固定，采用梯度下降法，經(jīng)推導(dǎo)可得和的迭代計(jì)算公式為：

其中，

分別為隱層中心

寬度的學(xué)習(xí)速率

，m為迭代次數(shù)。

實(shí)驗(yàn)結(jié)果及分析

利用Yale人臉庫中的人臉圖像數(shù)據(jù)進(jìn)行實(shí)驗(yàn)人臉識(shí)別實(shí)驗(yàn)研究，將人臉圖像分塊加權(quán)重構(gòu)的奇異值向量X1，X2，…，Xl（其l中為訓(xùn)練樣本的數(shù)目）矩陣依次輸入RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練，當(dāng)滿足誤差容限或訓(xùn)練次數(shù)，停止訓(xùn)練。在測(cè)試過程中，依據(jù)競(jìng)爭(zhēng)選擇的辦法做出識(shí)別判斷。
本文重點(diǎn)研究人臉圖像的32子塊權(quán)值選取情況如下：

表1 人臉圖像劃分不同子塊數(shù)的識(shí)別結(jié)果

表2 賦予人臉圖像32子塊不同權(quán)值的識(shí)別結(jié)果

實(shí)驗(yàn)結(jié)果表明，基于人臉面部骨骼特征、以及眼睛分布、鼻子形狀等結(jié)構(gòu)特征，是鑒別人臉的主要依據(jù)。通過子塊權(quán)值的合理分布，突出人臉骨骼特征，而對(duì)嘴部和皮膚折皺等表情變化部分特征給予弱化或剔除，這與人類識(shí)別人臉時(shí)的模式相近，識(shí)別效果較好。但是，子塊不宜過多，否則增加RBF神經(jīng)網(wǎng)絡(luò)計(jì)算負(fù)擔(dān)，識(shí)別率也會(huì)有所下降。

結(jié)論

本文提出了基于圖像分塊奇異值壓縮，融合RBF神經(jīng)網(wǎng)絡(luò)和貝葉斯分類器的人臉識(shí)別方法，模擬人類識(shí)別人臉時(shí)剔除同一人臉變化部位的差異能力，采用不同子塊單獨(dú)進(jìn)行人臉識(shí)別，根據(jù)RBF神經(jīng)網(wǎng)絡(luò)識(shí)別效果進(jìn)行權(quán)值分配，通過實(shí)驗(yàn)證明，本文方法在降維和識(shí)別率方面均取得良好的效果，在正面人臉部位（尤其是下顎部）變化較大時(shí)，具有良好的識(shí)別精度和識(shí)別速度。