摘   要： 基于傳統的PCA方法，提出了推廣的PCA人臉識別方法。推廣的PCA方法先對訓練圖像矩陣集進行分塊，再利用傳統PCA對分塊得到的子訓練矩陣集進行分析，得到多個變換矩陣，通過這些變換矩陣將訓練圖片和測試圖片投影到特征空間進行鑒別。與傳統PCA方法相比，提高了主元的維數，有效地增加了識別的精度。在FERET人臉庫上的試驗結果表明，所提出的方法在識別性能上明顯優于傳統的PCA方法，識別率得到了提高。
關鍵詞： 主成分分析； 特征抽取； 推廣的PCA； 特征矩陣； 人臉識別

    人臉識別是模式識別研究領域的重要課題，也是一個目前非常活躍的研究方向[1,2]。它一般可描述為：給定一個靜止或視頻圖像，利用已有的人臉數據庫來確認圖像中的一個或多個人。近年來，關于人臉圖像線性鑒別分析方法的研究激起了人們的廣泛興趣，其焦點是如何抽取有效的鑒別特征和降維。特征抽取研究肩負兩方面的使命：尋找針對模式的最具鑒別性的描述，以使此類模式的特征能最大程度地區別于彼類；在適當的情況下實現模式數據描述的維數壓縮，當描述模式的原始數據空間對應較大維數時，這一點會非常有意義，甚至必不可缺[3]。
    在人臉圖像識別中，主成分分析PCA(Principal Component Analysis)[4]，又稱K-L變換，被認為是最成功的線性鑒別分析方法之一，目前仍然被廣泛地應用在人臉等圖像識別領域。本質上PCA方法的目的是在最小均方意義下尋找最能代表原始數據的投影。SIROVICH 和KIRBY最初使用PCA有效地表示人臉[5]。由于人臉結構的相似性，他們認為可以收集一些人臉圖像作為基圖(特征圖)，任何人臉圖像可以近似地表示為該人臉樣本的均值與部分基圖的加權和。1991年，TURK和 PENDAND提出了著名的“Eigenfaces”方法。1997年，BELHUMEAR P N、HESPANHA J P、KRIENGMAN D J在主成分分析的基礎上又給出了“Fisherfaces”方法。
    以上方法在處理人臉等圖像識別問題時，遵循一個共同的過程，即首先將圖像矩陣轉化為圖像向量，然后以該圖像向量作為原始特征進行線性鑒別分析。由于圖像矢量的維數一般較高，比如，分辨率為100×80的圖像對應的圖像向量的維數高達8 000，在如此高維的圖像向量上進行線性鑒別分析不僅會遇到小樣本問題，而且經常需要耗費大量的時間,有時還受研究條件的限制(比如機器內存小)，導致不可行。針對這個問題，人們相繼提出不少解決問題的方法。概括起來，這些方法可分為以下兩類：從模式樣本出發，在模式識別之前，通過降低模式樣本特征向量的維數達到消除奇異性的目的,可以降低圖像的分辨率實現降維；從算法本身入手，通過發展直接針對于小樣本問題的算法來解決問題[6,7]。
    本文基于主成分分析的思想，從原始數字圖像出發，在模式識別之前，先對整個圖像訓練矩陣集進行分塊，該塊中的圖像盡可能具有同樣的性質，從而更接近于高斯分布;再用PCA方法對每個分塊得到的子圖像訓練矩陣進行分析，得到多個變換矩陣，通過這些變換矩陣將訓練圖片向量和測試圖片向量投影到特征空間進行鑒別。這樣做主要基于如下考慮:在傳統的PCA算法中，要求訓練集符合高斯分布，得到的結果才是理想的，但是實際操作中訓練樣本由于光照、表情、姿態等因素遠離高斯分布，而改進的PCA算法通過對其進行歸類訓練子訓練集(由于影響因素較小，更接近于高斯分布)提取主元，同時該方法可以增加主元的維數，能提供更多的有效特征。在著名的FERET人臉庫上的試驗結果表明，本文提出的方法在識別性能上明顯優于傳統的PCA方法，識別率有顯著提高。

1.2 特征抽取
　原始圖像的維數較大，不利于直接用于分類，必須對原始數據進行降維。如何找出能代表原始圖像的低維數據是進行分類的關鍵。

2 推廣的PCA方法
2．1 思想與最優投影矩陣
    傳統PCA的模型中存在諸多的假設條件，決定了它存在一定的限制，在有些場合可能會效果不好甚至失效。傳統的PCA算法要求標準訓練樣本矩陣符合高斯分布，也就是說，如果考察的數據的概率分布并不滿足高斯分布或是指數型的概率分布，那么PCA將會失效。在這種模型下，不能使用方差和協方差來很好地描述噪音和冗余，對教化之后的協方差矩陣并不能得到很合適的結果。

3 實驗結果與分析
    實驗是在FERET人臉庫上進行的。FERET人臉庫由200個人、每人7幅圖組成：第1幅圖是人臉的正面照，第2~5幅圖是人臉角度的變換，第6幅圖表情的變換，第7幅圖是亮度的變化。每幅圖的分辨率是80×80。圖1是FERET人臉庫的某一人的7幅圖像。

    FERET數據庫中每張圖片都有一個類別標號，代表其不同因素下采集的圖片，比如標號00012_930831_fa_a，其中00012表示類別ID，930831表示樣本生成時間，fa表示人臉偏轉角度，a表示光照強度。本文的實驗就是根據不同的圖像標號來劃分數據集合，從而達到外在因素較少的情況下，數據盡可能地滿足簡單的高斯分布。
    將每類的前4幅圖作為訓練樣本，后3幅圖作為測試樣本，這樣訓練樣本總數為800，測試樣本為600。首先，利用傳統的PCA算法，即不對標準訓練樣本矩陣集進行分塊，計算出不同能量系數下的識別率。再利用推廣的PCA算法，分別實驗兩種情況：(1)將各個類訓練樣本的前兩幅圖組合為訓練樣本矩陣1，將各個類的訓練樣本的第3、4幅圖組合為訓練樣本矩陣2，這樣就將傳統PCA中的訓練矩陣集分為兩個子訓練矩陣集。對這兩個子訓練矩陣集進行計算得到變換矩陣[P1,P2]。再將測試樣本和訓練樣本通過[P1,P2]投影到特征空間，對不同能量系數的情況計算得到識別率。(2)將每類的4個訓練樣本圖片分別組合為四子訓練矩陣集，然后用同樣的方法計算識別率。得到的實驗結果如圖2所示。

    本文分別采用余弦分類器進行分辨率的計算。從圖中可以看出，對推廣的PCA的具體應用其識別率均優于傳統的PCA方法。進一步分析其原因：推廣的PCA通過對標準訓練樣本矩陣集進行分塊，對每一個子訓練矩陣集抽取主元，雖然單個子訓練集抽取的主元維數可能比較低，但是由于有多個子訓練矩陣集，所以總體看來其抽取的主元維數還是較傳統的PCA主元維數多，因此能提高識別的精度。表1為當能量系數為0.9時不同方法抽取的主元維數。

    本文提出了推廣的PCA的人臉識別方法，其本質是通過對標準訓練樣本矩陣集做分塊，并對其子塊分別作PCA，抽取子塊的主元。這樣做是為了使影響因素較小，更接近于高斯分布，并且提高了主元的維數，在分類器進行分類時能夠更好地減少誤差，便于模式識別。本實驗使用環境為 Microsoft Windows XP,硬件配置為Petium4，3.0 GHz CPU的計算機,優化算法采用Matlab編寫。
    在試驗中發現，對同一數據庫，對樣本矩陣采用不同的分塊，獲得的最高識別率一般不同，如何尋求最佳分塊方式有待進一步研究。
參考文獻
[1]  ZHAO W, CHELLAPPA R, PHILLIPS P J, et al. Face recognition: A literature survey[J]. Acm Computing Surveys, 2003,35(4):399-459.
[2] TURK M, PENTLAND A. Face recognition using eigenfaces[A]. Proc. IEEE Conference on Computer Vision and Pattern Recognition[C].USA, Howaii, Maui:IEEE,1991:586-590.
[3]  徐勇．幾種線性與非線性特征抽取方法及人臉識別應用[D]．南京：南京理工大學，2004．
[4]  邊肇祺，張學工．模式識別(第2版)[M]．北京：清華大學出版社，1999．
[5]  陳伏兵．人臉識別中鑒別特征抽取若干方法研究[D]．南京：南京理工大學，2006．
[6]  TURK M, PENTLAND A. Eigenfaces for recognition[J]. Journal of Cognitive Neurosciences,1991,3(1):77-86.
[7]  ZHOU Ji Liu, ZHOU Ye.Research advances on the theory  of face recognition[J]. Journal of Computer Aided Design  and Computer Graphics, 1991,11(2):180-184.