基于遗传算法和支持向量机的面部器官检测研究.pdfVIP

2007 江苏省自动化学会学术年会论文集 基于遗传算法和支持向量机的面部器官检测 4 2 沈玲 ， 金立左 （1.东南大学自动化学院，江苏 南京 210096； 2.东南大学自动化学院，江苏 南京 210096） 摘要：本文提出了一种基于遗传算法和支持向量机的面部器官定位方法：根据手动标定的人 眼坐标切割出人脸图像，并用遗传算法求得最优特征，训练 SVM 分类器，进一步结合数学形 态学、连通性分析和规则过滤降低误正率。基于 BioID 人脸库的实验表明，这种算法具有很 高的定位准确率，对光照、姿势和复杂背景具有一定的鲁棒性。 关键词：面部器官定位；遗传算法（GAs）；支持向量机（SVM） 0 引言 作为人脸的重要特征，器官定位是实现人脸识别、表情识别等人脸图像处理的前提条件。 影响器官准确定位的因素很多，如头部的角度摆动、脸部的部分遮挡、光照条件等。近年来， 研究者们提出了各种器官定位方法，但是准确、鲁棒地检测出各个面部器官仍是一个极具挑 战性的课题。 当前比较流行的方法包括特征不变方法，模板匹配方法，基于外观的方法和基于肤色的 方法。基于外观的方法可以和机器学习紧密结合，这个方向的一些代表性方法有：基于特征 器官的方法、基于神经网络的方法、基于贝叶斯网络的方法、基于支持向量机的方法和基于 boosting 的方法。普遍来说，和其他几种方法相比，这种方法可以得到较高的识别率，并且 可以实现较为准确、鲁棒的器官定位。 本文提出的器官定位方法结合了机器学习、特征选择等技巧：首先，将已经正规化的眼 睛和嘴巴图像投影到特征空间产生表示眼睛和嘴巴图像的低维特征。接着，采用嵌入式 (embedded) 的特征选择方法[2]，在训练分类器的同时进行特征选择，将遗传算法同 SVM 结 合起来，得到特定最优特征维数下的分类器，估计预测误差的方法则采用了最简单也是最广 泛的交叉验证。最后，为了进一步降低误正率，对 SVM 得到的候选块进行开运算和连通性 分析。这个方法的性能在一大型公共可得的数据库上进行了检验，其中包含 1521 幅图像， 包含大幅度的头部摆动、表情变化、脸部部分遮挡和光照变化。[1] 1 SVM 分类器 1.1 使用遗传算法对特征进行优化 将训练样本投影到带有权重的特征空间生成特征： 1 − X D 2 E T (X − M ) （1） X 表示原图像，X’表示生成的特征，M 表示图像的均值向量，E 表示特征向量生成的特 征空间，D 表示特征值。可见，特征空间各轴的权重实际上是特征值的平方根的倒数。 获得样本图像特征后，需要选取最优的特征进行分类识别。遗传算法是以自然选择和遗 传理论作为基础，将生物进化过程中适者生存规则与群体内部染色体的随机信息交换机制相 结合的搜索算法，如今，已经广泛用于模式识别的特征优化。 4作者简介：沈玲（1983-），女，江苏扬州人，硕士，模式识别. 85 2007 江苏省自动化学会学术年会论文集 采用遗传算法进行特征优化，不但可以提高识别率，而且可以减少复杂性和维数。对获 得的n个特征向量 （μ1，μ2 ，……，μn ）进行编码，令染色体长度为n ，其中每个基因gi （i=1,2,……，n ）对应于特征向量的每个系数，当gi=1 时表示选用相对应的特征向量，反之， 当gi=0 时表示不选取对应的特征向量[4]。 将每一个染色体对应的特征送给支持向量机进行分类，采用 K=5 的交叉验证方法估计 预测误差，并将所得预测误差作为该基因的适应度。 由于实验中并不知道局部最优点和全局最优点的实际值为多少，所以在使用算子时，仍 旧使用了最基本的两点交叉算子和单点变异算子，选择算子则使用了轮盘赌的方法。遗传算 法运行中应用的终止条件是进化