基于奇异熵和随机森林人脸识别.docVIP

基于奇异熵和随机森林人脸识别 　　摘要：提出了一种基于奇异熵与随机森林的人脸识别方法。该方法以奇异熵来描述人脸特征。首先在整个人脸图上进行奇异值分解，应用整体奇异熵提取人脸全局特征。然后将人脸图像分成均匀子块，在各子块中进行奇异值分解，应用局部奇异熵提取人脸局部特征。之后将整体奇异熵和局部奇异熵融合形成最终分类特征。最后通过随机森林分类器对其进行分类。在Yale人脸库上的实验表明，该方法对表情、光照具有鲁棒性，且有较高的识别率和较短的识别时间。 　　关键词：人脸识别；奇异值分解；奇异熵；随机森林 　　中图分类号：TP391 　　文献标识码：A 　　DOI： 10.3969/j.issn.1003-6970.2016.02.009 　　引言 　　人脸识别是指利用各种技术手段获取人脸图像并从中提取有效的特征信息，进而借助已有的知识或经验来判断图像中人的身份的一种技术。人脸识别技术可广泛应用于金融、考勤、公共安防、证件制作等领域，已成为当前模式识别领域的一个研究热点。 　　由于在实际应用中人脸图像的采集往往是在非受控条件下进行的，这样所获得的图像在尺寸、表情、角度、光照、遮挡等方面都有很多不同，因而能否提取出好的人脸特征和设计一个好的分类器成为人脸识别技术的关键。1991年Hong将矩阵奇异值分解（Singular Value Decomposition，SVD）引入人脸识别中，利用奇异值作为人脸识别特征，并指出奇异值向量对图像噪音、光照条件变化具有良好的稳定性等，但错误识别率较高（42.67%）。王蕴红等提出了一种基于奇异值分解和数据融合的人脸识别方法，在ORL人脸数据库上的正确识别率达96%，但识别过程较烦琐。甘俊英等将奇异值分解和BP神经网络相结合进行人脸识别，正确识别率达到96.5%-98.5%。李晓东等在文献的基础上提出了一种基于奇异值分解和支持向量机（Support Vector Machine，SVM）的人脸识别方法，进一步提高了正确识别率。理论和实践已证明，矩阵奇异值可以对图像作出客观反映。由于神经网络和支持向量机等分类器都需要对所有数据做详尽的分析，而基于奇异值分解所得的是个高维数、大数据处理过程，因而必然需要大量的处理时间。随机森林是一种比较新的机器学习模型，它在没有显著提高运算量的前提下提高了预测精度。在多分类问题上，随机森林的泛化能力明显优于支持向量机。本文结合奇异熵理论，提出一种基于局部和整体相结合奇异熵构成人脸特征，利用随机森林进行分类的人脸识别方法。通过在Yale人脸数据库上的验证表明了该方法的有效性。 　　1 奇异值分解和奇异熵 　　1.1 奇异值分解 定理1（SVD）：若，则存在两个正交矩阵U=[u1， 　　成立。此处p=min（m，n），σ1≥σ2≥…≥σp≥0，σi（i=l，2，…，p）称为矩阵A的奇异值。 　　奇异值反映了矩阵分解后各子空间所含信息的多少，在一定程度上代表了该矩阵的特征。奇异值对于矩阵元素的扰动变化不敏感，具有相对稳定性，同时具有位移不变性、旋转变不变性和镜像变化不变性等重要性质。这些特性表明，当人脸图像存在噪声或是在不同条件下获得时，奇异值可以作为人脸图像一种有效的代数特征。 　　1.2 奇异熵 　　图像矩阵的奇异值可以对图像的信息量作出客观反映，不同图像的奇异值存在差异。为定量衡量差异大小，本文引入奇异熵概念，其定义式如下： 　　2 随机森林 　　随机森林是一种集成树形分类器，由多个决策树（h（x，θi），i=l，2，…）组成。其中h（x，θi）是用分类回归树CART算法构建的没有剪枝的分类决策树，θi是独立同分布的随机向量，决定单棵树的生长速度。在给定输入向量x的情况下，每个决策树分类器通过投票来决定最优分类结果。 　　随机森林一般构造过程如下： 　　（l）利用自助法（bootstrap）重抽样技术从原始样本集中有放回地随机抽取k个新的白助样本集，以此形成一个分类器。 　　（2）每个白助样本集生成单棵决策树。在树的每个节点处M个特征中随机抽取m（mM）个特征，按照节点不纯度最小的原则从m个特征中选出一个特征进行分支生长，递归调用过程（2）构造各个分支，直到这棵树能准确地分类全部训练数据，或每个节点的不纯度达到最小。每棵树都完整成长，不进行剪枝操作。 　　（3）重复步骤（2），构建k棵决策树，形成随机森林。 　　（4）根据每棵决策树的投票结果，选出票数最多的一个分类。 　　节点不纯度的度量方法是Gini准则。设P（ωi）是节点n上属于ωi类样本个数占训练样本总数的频率，则Gini不纯度表示为： 　　3 算法设计 　　3.1 图像预处理 人脸数据库或者采集到的图像其大小不一，为提高正确识别率，对图像进行几何归一化，使人脸图像中