技术创新 缸科技２０１ ２年第９期 一种基于图像隶属度的分块２ ＤＬＤＡ人脸识别方法 苏长明 信息科学与技术学院成都学院６１０１０６成都 摘要有效地提取特征和设计好的分类方法是人脸识别的关键，本文结合隶属度函数提出一种基于图像分块的二维线性判别分 析识别方法。首先对人脸样本图像等量划分为若干个子模块，再直接对子模块图像矩阵进行二维线性判别分析提取特征，得到子模块 低维特征矩阵，最后算出测试图像子模块相对于训练类对应子模块的隶属度，选取几个隶属度最大的于模块进行权值叠加，被测试图 像最终归属于叠加结果最大的一类。该方法既克服了小样本问题又具有更人性化的分类设计。在ＯＲＬ和ＦＥＲＥＴ－＆－脸数据库上的实验结 果表明，提出的方法不仅运算量小而且识别率也明显优于其它方法。 关键词二维线性判别分析人脸识别特征提取隶属度 人脸识别的研究具有巨大的理论意义和应用价值，它对图象处 理、模式识别、计算机视觉等领域的发展具有巨大的推动作用，同时 在生物特征认证、视频监控、安全等各个领域也有着非常广泛的应用 ｌ：－ｔ …‘ …‘ ｌ２ …’ …一－９｝ｌ Ｂｌ Ｂ－ｌｚ …一 Ｂ１ ｊ （２） ｌ・ Ｊ ：－ ： ：ｚ…… ： Ｉ＝１ Ｂ２１ Ｂ２２…‘Ｂ２ｑ｝ １ Ｗ－１Ａ” ｉ … ‘…‘‘… ’Ｉ ，－ ： ２ ‘ ’｝ Ｊ ｌＢ，－ Ｂｐ：’・。。Ｂ Ｊ 前景” 。人脸识别与其它生物特征如指纹、虹膜、视网膜等识别相比 具有非侵犯性、方便、友好等特点。特征提取是人脸识别非常关键的 个环节，它容易受到人脸尺度的变化、光照、姿态变化、表情以及 一其中Ｂ ＝ Ａ ，ＢＸＰ＝Ｎ，ｍＸｑ＝Ｍ。 时遮挡等因素的影响，如何消除这些不利因素的影响一直困扰着研究 者们。国内外众多研究者经过几十年的不懈努力，提出了很多用于人 脸识别的特征提取方法 。 一副人脸图像经过分块，可以极大地降低特征的维数，解决了小 样本问题；而对每个分块进行２Ｄ—ＬＤＡ特征降维，还可以保持像素间 的位置关系，降低了运算量。 一２隶属度分类 这些方法归纳起来可分为基几何特征和基于统计特征两大类 ”。 是基于几何特征的提取方法对光照、表隋、姿态等变化非常敏感， 设一个测试样本 ，同样对它分块和进行２Ｄ—ＬＤＡ处理，得到一 个具有图像特征的矩阵Ｂ ： 因此稳定性不好，识别率偏低。二是基于统计特征的提取方法“ 。主 分量分析分法（Ｐｒｉｎｃｉｐａｌ Ｃｏｍｐｏｎｅｎｔ Ａｎａｌｙｓｉｓ，ＰＣＡ）和线性判别分 析方法（Ｌｉｎｅａｒ Ｄｉｓｃｒｉｍｉｎａｎｔ Ａｎａｌｙｓｉｓ，ＬＤＡ）在生物征提取用得最广 泛的两种方法 。ＰＣＡ和ＬＤＡ用来进行人脸图像的特征提取时，要将 『 ， ：１Ａ；２…‘ ＝ ］『Ｂ ｔ口 …・・Ｂ ］ ：． ． ．’一韶 ＝ ． ＝＝＝： ｌ㈩ Ｉ － ：－ ： ｚ‘…。・ Ｊ ｌ Ｂ；・ ：’…・・Ｂ Ｊ ‰ ４） 人脸图像矩阵转换为高维向量，会造成运算量庞大和奇异的问题。为 解决这一问题，研究者们提出直接基于图像矩阵而无须矢量化的 ２ＤＬＤＡ２￣法 。黄修武等人 基于代数理论和模糊数学提出一种基于 隶属函数的图像特征提取方法，并用于人脸识别，取得了较好的识别 率。本文结合隶属函数，提出一种基于图像隶属度的分块２ＤＬＤＡ人 脸图像特征提取和识别方法。 １ 分块２Ｄ—ＬＤＡ 假设在某向量空间中，存在着ｐｘｑ矩阵线性子空间， 帅 为一 已知矩阵，那么对于子空间内的其他任一矩阵 ） 对于 ） 最大 隶属度定义为 ： 在式（４）中， 为范数运算 还可以继续计算第２大隶属度和第２大隶属度等，那么式（４） 中，测试样本图像子模块的隶属度从大到小可定义为： Ｑ… ‘５） ＬＤＡ人脸识别方法仅适用于类内散布矩阵的情形，但实际应用中 存在着大量的典型的小样本问题，类内散布矩阵经常是奇异的。这是 因为待识别的图像矢量的维数一般较高，而在实际问题中难以找到或 根本不可能找到足够多的训练样本来保证类内散布矩阵的可逆性，这 时ＬＤＡ不一定具有最佳鉴别性能。因此在小样本情况下，如何抽取 然后计算测试样本对每一类所有子块的隶属度，从大到小依次排 列为：（Ｑ【 （１）， （２）…・， （ｘ）），分类原则是取每幅人脸图 像中隶属度最大的ｘ个子块： Ｋ Ｑ（ ） （ ） （６） Ｆｉｓｈｅｒ￣：优鉴别特征成为一个公认的难题 。 近几年来关于小样本情况下线性鉴别分析方法的研究激起了人们 的广泛兴趣。相继提出很多解决该类问题的方法。概括起来有两种方 法。①直接增加样本数目，如向训练集中增加各图像的镜像，使训练 样本数目加倍，但会导致训练样本增多，增加了存储和计算的开销； ②在不改变样本数目的情况下，采取降维数的措施” 。笔者正是采用 了后一种方法。 设人脸图像Ａ为ＮｘＭ矩阵，把Ａ它分成大小为ｎＸｍ的ｑ×Ｐ块 图像块，即 ｆ Ａ“Ａ，ｚ……＾ ｛ ＝ 测试图像跟 ＡＥ 的条件是： 最大的图像类匹配，即对于一副图像的矩阵Ａ， Ｋ ＝ｍａｘ（Ｋ ， …一，Ｋ ） （７） 一．Ａ ２ｑ Ｉ （１］ 图１给出了整个人脸识别系统的识别过程，首先对训练样本进行 等大小分块，每块大小和分块数由样本的数量和样本图像本身大小决 定；分块后对每一副子图像块单独实行２Ｄ—ＬＤＡ特性降维，得到每幅 图像块的低维特性的分块特性矩阵。对于测试样本，也进行同样的处 理，得到分块特征子空间。分类器采用最大隶属度分类法，分别计算 测试图像和每一类低维特征矩阵的子模块中前１１个最大隶属度的和， 最后进行判别分类。 ｌ ２‘…一Ａ ｊ 其中，每一 都是ｎＸｍ的矩阵，并且有ｎｘＰ＝Ｎ，ｍＸｑ＝Ｍ。 对于一副人脸图像，大小通常不能都满足 Ｐ＝Ｎ， ｑ：Ｍ， 因此，在分块前要进行预处理。需要指出的是，在进行矩阵分块时， 必须使子图像的大小（ｎＸｍ）与原始图像划分的块数ＰＸｑ满足 ｎｍ≤ＮＸＰＸｑ（Ｎ为训练样本总数），才可缓解小样本问题。 矩阵均匀分块后，对样本图像相同设置的矩阵块进行２Ｄ～ＬＤＡ特 匝亟画 —伍巫卜 垂垂口 计算隶属度 匝画 —咂 卜 亟囱ｌｉｌ度叠加 ， 前ｎ个最大隶 匦至 ］一 ｕ 图１人脸识别系统流程图 亘 垂 征提取，按照上面描述的方法，每个 都在它的最佳投影矩阵 上 投影，得到： ３实验结果与分析 ．呋Ｉｌｚ科技２０１ ２年第９期 技术创新 实验采用英国剑桥大学Ｏｌｉｖｅｔｔｉ研究所制作的ＯＲＬ人脸数据库和美 国军方的ＦＥＲＥＴ人脸图像集。 ＯＲＬ数据库包括４０个不同人，每人ｌ０副图像，共４００￣ｔｌ。每幅原 始图像为２５６个灰度级，分辨率为。ＯＲＬ人脸图像是在不同时间、不 同视角、各种表情（闭眼／睁眼、微笑，吃惊／生气，愤怒，高兴）和不同 脸部细节（戴眼镜／没戴眼镜、有胡子／没胡子、不同发型）的条件下 拍摄的。实验中每类人脸图像的前５幅作为训练，余下的５幅用来识 别，如图２所示。隶属度计算中，范数的计算采用简单的欧氏距离进 行分类 ＰＣＡ和ＬＤＡ相比，其识别率明显要高，这主要是因为Ｂｌｏｃｋ ２Ｄ— ＬＤＡ在提取一级特征的基础上还进行了二级特征提取，在分类器的设 计也做了优化。在ＯＲＬ和ＦＥＲＥＴ两个人脸数据库中，ＰＣＡ和２Ｄ— ＰＣＡ识别率差别比较大，而ＬＤＡ、ＰＣＡ＋ＬＤＡ、Ｂｌｏｃｋ ２Ｄ—ＬＤＡ识别率 差别较小，这主要是ＦＥＲＥＴ人脸库中表情和光照变化Ｉ￣ＯＲＬ人脸数据 库多，单独用ＰＣＡ效果较差。可见，ＬＤＡｆｌ￣够很好地克服光照、表情 变化对人脸的影响。Ｂｌｏｃｋ ２Ｄ—ＬＤＡ与ＰＣＡ＋ＬＤＡ的识别率差不多，原 因是在计算隶属度时只是取了欧氏距离，没有利用矩阵空间的位置信 息 ４结束语 本文结合隶属度函数提出了一种基于图像隶属度的分块二维线行 判别人脸识别方法，该方法既克服了小样本问题，又大大减少了运算 图２ ｏＲＬ人脸库中的５幅同类人脸图像 实验中，分别对人脸ＰＣＡ，２Ｄ—ＰＣＡ，ＬＤＡ，ＰＣＡ＋ＬＤＡＴｌｆｌＢｌｏｃｋ ２Ｄ—ＬＤＡ特征提取方法进行比较，最优化特征投影矩阵ｗ取Ｄ维，５种 方法得到的识别率结果如表ｌ所示。 量。另外，还能够从图像中抽取局部特征和保留位置信息，这些局部 特征更好地反映了图像之间的差异，有利于模式识别。在分类器的设 计上，本文提出了最大隶属度分类判别，这样判别方法更接近人性 化。实验证明所提出的方法比传统的ＰＣＡ、２Ｄ—ＰＣＡ和ＬＤＡ识别效果 —芒篓２ ８８ ２％ ８９ ５％ ９１ ５％ ９０ ８％ ９１ ４％ ＰＣＡ 都好。但在对范数的计算时仅仅采用了简单的欧氏距离，没有充分地 利用矩阵的位置信息，需要进一步研究。 参考文献 ９６ ３％ ９７ ２％ ９６ ８％ 【１】 Ｗ ＺＨＡＯ，Ｒ ＣＨＥＬＬＡＰＰＡ ＰＪ ＰＨＩＬＬＩＰＳ，Ａ．ＲＯＳＥＮ—ＦＥＬＤ 表１在０ＲＬ人脸库申几种识别方法的识别库 ＦＥＲＥＴ人脸图像集包含１４，０５１张多姿态，光照的灰度人脸图 像，是人脸识别领域中应用最广泛的数据库之一。该库中，同一个人 的照片有不同表情、光照、姿态和年龄的变化，如图３所示。 Ｆａｃｅ ｒｅｃｏｇｎｉｔｉｏｎ：Ａ ｌｉｔｅｒａｔｕｒｅ ｓｕｒｖｅｙ Ｕ１．ＡＣＭ ｃｏｍｐｕｔｉｎｇ ｓｕｒｖｅｙｓ， ２００３， ３５（４）：３９９—４５８ 【２】王伟，张佑生，方芳人脸检测与－／ｅ．￣，１技术综述Ｕ］．合肥工业大学 学报（自然科学版），２００６，２９（２）：１５８—１６３ ［３】ＭｉｎｇＨｓｕａｎ Ｙａｎｇ，ＤａｖｉｄＪ Ｋｆｉｅｇｍａｎ，Ｎａｒｅｎｄｒａ Ａｈｕｊａ．Ｄｅｔｅｃｔｉｎｇ Ｆａｃｅｓ ｉｎ Ｉｍａｇｅｓ：Ａ Ｓｕｒｖｅｙ［Ｊ１．ＩＥＥＥ ｔｒａｎｓｌａｔｉｏｎ ｏｎ ｐａｔｔｅｍ ａｎａｌｙｓｉｓ ａｎｄ ｍａｃｈｉｎｅ ｉｎｔｅｌｌｉｇｅｎｃｅ。２００２，２４（１）：３４—５８ 【４】Ａｔｉｃｋ Ｊ Ｊ，Ｇｒｉｉｎ Ｐ ｆＡ，Ｒｅｄｌｉｃｈ Ａ Ｎ．Ｓｔａｔｉｓｔｉｃａｌ ａｐｐｒｏａｃｈ ｔｏ ｓｈａｐｅ 图３ ＦＥＲＥＴ．＆脸库中的５幅同类人脸图像 ｆｏｒｍ ｓｈａｄｉｎｇ：Ｒ．ｅｃｏｎｓｔｍｃｔｉｏｎ ｏｆ ３Ｄ ｆａｃｅ ｓｕｒｆａｃｅｓ ｆｒｏｍ ｓｉｎｇｌｅ ２Ｄ ｉｍａｇｅｓ【ｌｌ ＿Ｎｅｕｒａｌ Ｃｏｍｐｕｔａｔｉｏｎ，１９９６，８（６）：１３２１—１３４０ 【５］ Ｍａｒｉｎｅｚ Ａ Ｍ，Ｋａｋ Ａ．Ｃ．ＰＣＡ ｖｅｒｓｕｓ ＬＤＡ ＩＪ１ ＩＥＥＥ ＰＡＭ Ｉ， ２００１，２３（２）：２２８—２３３ 【６］ Ｍｉｎｇ Ｌ，Ｙｕａｎ Ｂ．２Ｄ ＬＤＡ：Ａ ｓｔａｔｉｓｔｉｃａｌ ｌｉｎｅａｒ ｄｉｓｃｒｉｍｉｎａｎｔ ａｎａｌｙｓｉｓ 实验中，同样找出４０个不同人，每人ｌ０幅图像，共４００幅。每个 人脸类中，选择５个人脸图像作为训练样本，剩下的５幅进行测试。在 最优化特征投影矩阵ｗ选择不同的维数Ｄ值情况下，得到表２的结 果 、、、 Ｄ＝５ ８１ ２％ ２Ｄ－ｐ Ａ ＬＤＡ ｐＣＡ＋ＬＤＡ Ｂ ２Ｄ—ＬＤＡ ８２ ３％ ８７ ２％ ９３ ２％ ９５ ２％ ８４ ０％ ８８１％ ９４ ７％ ９５ ９％ ９４ ７％ ９５ ９％ ９４ ７％ ８】２％ ８４ ８％ Ｄ＝２０ ８１ ６％ ｏｒ ｆｉｍａｇｅ ｍａｔｒｉｘ［Ｊ］．Ｐａｔｔｅｒｎ ｒｅｃｏｇｎｉｔｉｏｎ ｌｅｔｔｅｒｓ，２００５，２６（５）：５２７—５３２ 【７］黄修武，杨静宇，郭跃华基于隶属度的人脸图像特征抽取和识 别 电子学报，１９９８，２６（５）：８９—９２ 【８］郭跃飞，黄修武，杨静宇一种求解Ｆｉｓｈｅｒ最佳鉴别矢量的新算法 及人脸识别ＩＪ］．中国图象图形学报，１９９９，４（２）：９５—９８ 【９］张晓华，张宏．基于图像隶属度的主分量分析人脸识别算法Ｕ１ 信息学报，２００８（２）：９１－９３ （收稿日期：２０１２－０７－１２） 表２在ＦＥＲＥＴ－＆，￣，库中几种识别方法识别率 从表ｌ和表２的可以看出，Ｂｌｏｃｋ ２Ｄ—ＬＤＡ方法与ＰＣＡ，２Ｄ一 （接８（）页）Ｔ车的装置接受从Ｍ车所发的空气制动减轻指令计算出自 车辆的补充气压制动模式。 Ｍ车的装置接受Ｔ车的电子控制装置所发出来的拖车负载信息， 然后构成１／２的Ｔ车与Ｍ车为一个单元的制动模式，且再生制动作用力 置。启动弹簧停放制动缸时，只需排出空气压力即可。 ６结语 的模式指令传递主控制装置。另外，接受主控制装置所发出来的再生 制动反馈指令，从而控制相互作用状态。这样，将构成自车辆的补充 气压制动模式，并发出再生制动反馈指令传递到Ｔ车的电子控制装 置。 成都地铁１号线制动系统具有制动控制精度高、故障率低、维护 工作量小等优点，我认为成都地铁１号线车辆制动系统的设计开发和 应用是非常成功的。相信不久将会有更多先进的地铁车辆面世，对未 来地铁车辆制动技术的发展起到一些有益的作用。 参考文献 【１］张和平（５） ５ Ｉ防滑动作装置 制动控制装置内装有电子控制装置，用于检测出车轴速度以及控 制防滑动作。在各车轴设有速度传感器或脉冲发生器，将相应速度的 脉冲信号传递到电子控制装置。电子控制装置控制各车轴的防滑阀， 使其操作制动缸的压缩空气，即实行Ｂｃ压力的排出、供气和保持等 工作。 ５．２基本制动装置 南京地铁车辆制动系统特点分ⅡＪ＇机车电传动，２００５ ［２】马琪国产地铁车辆制动系统Ｕ１都市快轨交通，２００４（增刊） ｆ３１王伟波，胡跃文，蒋廉华Ｎａｂｔｅｓｃｏ地铁车辆制动系统概述刚 电力机车与城轨车辆，２００９（３） 作者简介杨伦军（１９７０一），毕业于西南交犬计算机科学与技术专 （收稿日期：２（３１２－０６－２１） 业，讲师。研究方向：高速列车城轨交通。 各车轴装设有两台踏面制动单元，此制动缸具有间隙调整功能。 每个转向架在对角线上配置有２个踏面制动单元，具有弹簧式停放制 动缸。通过向弹簧制动缸提供空气压力的作用，可保持其在缓解位