一种基于局部二值和粒子群优化BP神经网络的人脸识别方法

摘要

本发明公开了一种基于局部二值和粒子群优化BP神经网络的人脸识别方法，首先将已知人脸库中每类人脸图像无重叠的分为训练样本集和测试样本集，对图像进归一化和局部二值预处理；其次，对预处理后的图像做二维离散小波变换，去除对角线分量的影响，将其余三个频带分量加权融合，再对融合后的图像做二维离散余弦变换，利用zigzag扫描方式提取其主要变换系数矩阵；再次，利用粒子群算法优化BP神经网络的初始权值和阈值进行网络训练；最后，将测试样本集数据送入到已训练好的BP神经网络中进行测试，计算出识别率。本发明具有较高的运算效率和识别能力，适用于人脸识别系统。

说明书

技术领域

本发明属于一种人脸识别方法，尤其涉及一种基于局部二值和粒子群优化 BP神经网络的人脸识别算法，属于智能模式识别与图像处理领域。

背景技术

近年来，人脸识别技术得到了迅猛的发展，大量高性能算法的出现使其从实 验室走向了商用。然而，到目前为止，人脸识别技术仍面临着巨大的挑战：(1) 光照、背景、姿态、表情、遮挡物以及年龄变化；(2)成像条件及设备差异；(3) 数据规模的限制等。因此，人脸识别技术中高识别率问题依旧未得到彻底解决。

环境光线的变化是影响人脸识别精度的主要因素之一。研究发现，同一人脸 图像在不同光照条件下的差异往往比不同人脸图像在相同光照条件下的差异要 大得多。而且现有很多人脸识别系统都是在严格的光照条件下使用的，具有很大 的局限性。因此人脸分类识别前光照预处理是非常有必要的，预处理的好坏直接 影响到系统性能的优劣。

人脸图像一般为二维图像，所含信息数据量巨大，容易造成维数灾难，不利 于分类识别。为了降低计算的复杂度，提高系统的运算速度和识别率，必须对图 像进行压缩降维处理，用尽可能少的数据表示尽可能多的信息。

分类器的选择是影响人脸识别率的又一关键性因素。分类器的种类有很多， 但是由于神经网络可以获得其他方法难以实现的识别规律和隐形表达，而且它并 行的处理方式可以显著提高计算速度，因此，备受广大学者关注，被广泛应用到 各个领域中。虽然神经网络在一定程度上降低了运算的复杂度，但神经网络各参 数的设置并没有特定的原理算法，需要我们凭借经验来取值，另外，在神经网络 的收敛速度和极易陷入局部极小值等问题方面也未彻底解决。

发明内容

发明目的：为了克服现有的不足，本发明提出一种基于局部二值和粒子群优 化BP神经网络的人脸识别方法。

技术方案：一种基于局部二值和粒子群优化BP神经网络的人脸识别方法， 包括以下步骤：

(1)将已知人脸库中每类人脸图像随机抽取一定数目作为训练样本集 I_train＝{X₁,X₂,...,X_j,...,X_A}，其中，X_j为每个训练样本图像，A为训练样本数；

(2)对训练样本集中每幅M×N像素的灰度图像进行几何归一化处理，将 其归一化为H×H大小的图像，记为I′_train，其中0＜H≤min(M,N)；

(3)利用局部二值算法对几何归一化后的训练集图像I′_train提取光照不变量， 去除光照影响，得到光照处理后的训练集图像I″_train；

(4)对步骤(3)中经过局部二值算法处理后的图像集I″_train进行加权二维离 散小波变换，得到变换后的图像集I_train,DWT；

(5)对步骤(4)得到的图像集I_train,DWT中每个样本图像做二维离散余弦变 换，得到变换系数矩阵Y＝{Y₁,Y₂,...,Y_h,...,Y_A}，其中，Y_h为每个样本图像经过二 维离散余弦变换后得到的变换系数向量，然后，将变换系数矩阵Y中每个向量利 用zigzag扫描方式展开，最后，提取每个展开向量的主分量，组成最优特征向 量E；

(6)设置神经网络参数，确定BP神经网络的拓扑结构，输入层节点数Q、 隐含层节点数W、输出层节点数Z、激活函数Sigmoid函数；

(7)通过粒子群算法优化BP神经网络权值和阀值；

(8)将步骤(7)得到的全局最优值映射为神经网络的初始权值和阈值，训 练BP神经网络；

(9)将人脸库中其余图像作为测试样本集I_test，将其重复步骤(2)到步骤 (5)的处理，然后将测试样本数据输入到步骤(8)所得到的已训练好的BP神 经网络中进行测试，计算识别率。

所述步骤(3)具体为：

首先，将I′_train中的每幅图像分成n×n的小块，把每个小块内n×n个像素点 灰度值的均值作为新图像的一个像素值，得到分块训练集图像I_{train_block}；

然后，利用局部二值算法来描述人脸图像的光照不变量特征，对于I_{train_block} 中任意一图像I，I∈I_{train_block}，其任意一点(x_c,y_c)及均匀分布在该中心点周围的 P个邻域点的局部二值特征算子LBP为：

$\left(\begin{array}{c}{\mathrm{LBP}}_{R,P}=\underset{q=0}{\overset{P-1}{\Sigma }}s(g_q-g_c)·2^q,\\ s\left(x\right)=\left(\begin{array}{c}1,x\ge 0\\ 0,x<0\end{array}.\right)\end{array}\right)---\left(1\right)$

其中，g_c表示区域内中心像素点(x_c,y_c)的灰度值，g_q(q＝0,1,...,P-1)表示均匀 分布在以中心点(x_c,y_c)为圆心，半径为R的圆周上P个采样点的灰度值。

所述步骤(4)具体为：

在图像集I″_train中选取任意一幅图像F，对其进行二维离散小波变换，得到 LL,LH,HL,HH四个方向上的图像，记为F_LL,F_LH,F_HL,F_HH，则加权后的图像F′ 为：

F′＝a₀F_LL+a₁F_LH+a₂F_HL  (2)

其中，a₀,a₁,a₂为加权系数，约束条件为a₀+a₁+a₂＝1；低频分量F_LL为原图像 的平滑图像，保持了原图像的大部分信息；F_LH分量保持了原图像的垂直边缘细 节；F_HL分量保持了原图像的水平边缘细节；F_HH分量保持了原图像对角线方向 上的边缘细节。

所述步骤(7)具体为：

a.设置粒子群参数，包括粒子种群规模B、维度D、最大迭代次数T_max、学 习因子c₁和c₂、惯性权重ω、最大速度υ_max、最大位置x_max、期望误差最小值ε、 在允许范围内随机产生粒子的初始速度及位置；

b.计算每个粒子的适应度J_a；

c.根据适应度J_a来确定每个粒子的个体最优极值和全局最优极值，将当前适 应度值与每个粒子历史最优适应度比较，适应度小者作为个体最优极值P_best，与 整个种群最优适应度比较，适应度小者作为全局最优极值G_best；

d.更新每个粒子的速度和位置，并且考虑更新后的速度和位置是否在限定范 围内；

${\upsilon }_{\mathrm{id}}^{T+1}={\mathrm{\omega \upsilon }}_{\mathrm{id}}^T+c_1{r}_1(p_{\mathrm{id}}^T-x_{\mathrm{id}}^T)+c_2{r}_2(p_{\mathrm{gd}}^T-x_{\mathrm{id}}^T)---\left(3\right)$

$x_{\mathrm{id}}^{T+1}=x_{\mathrm{id}}^T+{\upsilon }_{\mathrm{id}}^T---\left(4\right)$

其中，i＝1,2,...,B，d＝1,2,...,D，为第T次迭代粒子i速度矢量的第d维分 量；为第T次迭代粒子i位置矢量的第d维分量；为粒子i个体当前最好位 置P_best的第d维分量；为当前群体最好位置G_best的第d维分量；r₁和r₂为服 从[0，1]均匀分布的随机数；

约束条件1：若${\upsilon }_{\mathrm{id}}^{T+1}>{\upsilon }_{\max },$则${\upsilon }_{\mathrm{id}}^{T+1}={\upsilon }_{\max };$若${\upsilon }_{\mathrm{id}}^{T+1}<-{\upsilon }_{\max },$则${\upsilon }_{\mathrm{id}}^{T+1}=-{\upsilon }_{\max };$

约束条件2：若$x_{\mathrm{id}}^{T+1}>x_{\max },$则$x_{\mathrm{id}}^{T+1}=x_{\max };$若$x_{\mathrm{id}}^{T+1}<-x_{\max },$则$x_{\mathrm{id}}^{T+1}=-x_{\max };$

e.比较迭代次数是否达到最大T_max或者均方误差是否达到精度ε要求，若满 足，则算法收敛，记录最后一次迭代的个体最优值P_best和全局最优值G_best；否则， 返回步骤c。

所述步骤b的计算方法具体为：

$J_a=\frac{1}{2A}\underset{k=1}{\overset{A}{\Sigma }}\underset{t=1}{\overset{Z}{\Sigma }}{(y_k^t-c_t^k)}^2---\left(5\right)$

其中，a＝1,2,...,B；是第k个样本的第t个网络输出神经元的期望输出值；是第k个样本的第t个网络输出神经元的实际输出值。

工作原理：本发明首先将已知人脸库中每类人脸图像无重叠的分为训练样本 集和测试样本集，对图像进归一化和局部二值预处理；其次，对预处理后的图像 做二维离散小波变换，去除对角线分量的影响，将其余三个频带分量加权融合， 再对融合后的图像做二维离散余弦变换，利用zigzag扫描方式提取其主要变换 系数矩阵；再次，利用粒子群算法优化BP神经网络的初始权值和阈值进行网络 训练；最后，将测试样本集数据送入到已训练好的BP神经网络中进行测试，计 算识别率。

有益效果：本发明通过局部二值算法去除光照影响，加权离散小波变换与离 散余弦变换相结合来进行特征提取，再利用粒子群优化神经网络的权值和阈值来 进行分类识别，具有较强的鲁棒性和寻优能力。与现有技术相比，本发明具有较 高的运算效率和识别能力，适用于人脸识别系统。

附图说明

图1是本发明框图；

图2是本发明中粒子群优化BP神经网络的流程图。

具体实施方式

如图1、2所示，一种基于局部二值和粒子群优化BP神经网络的人脸识别 方法包括以下步骤：

步骤1：将已知人脸库中每类人脸图像随机抽取一定数目作为训练样本集 I_train＝{X₁,X₂,...,X_j,...,X_A}，其中，X_j为每个训练样本图像，A为训练样本数， 其余作为测试样本集I_test；

步骤2：对训练集中每幅M×N像素的灰度图像进行几何归一化处理，将其 归一化为H×H大小的图像，记为I′_train，其中0＜H≤min(M,N)；

步骤3：利用局部二值算法对归一化后的训练集图像I′_train提取光照不变量， 去除光照影响，得到光照处理后的训练集图像I″_train，其过程为：

(1)首先，将I′_train中的每幅图像分成n×n的小块，把每个小块内n×n个像素 点灰度值的均值作为新图像的一个像素值，得到分块训练集图像I_{train_block}；

(2)利用局部二值算法来描述人脸图像的光照不变量特征，对于I_{train_block}中 任意一图像I，I∈I_{train_block}，其任意一点(x_c,y_c)及均匀分布在该中心点周围的P 个邻域点的局部二值特征算子LBP表示为：

$\left(\begin{array}{c}{\mathrm{LBP}}_{R,P}=\underset{q=0}{\overset{P-1}{\Sigma }}s(g_q-g_c)·2^q,\\ s\left(x\right)=\left(\begin{array}{c}1,x\ge 0\\ 0,x<0\end{array}.\right)\end{array}\right)---\left(1\right)$

其中，g_c表示区域内中心像素点(x_c,y_c)的灰度值，g_q(q＝0,1,...,P-1)表示均匀 分布在以中心点(x_c,y_c)为圆心，半径为R的圆周上P个采样点的灰度值；

步骤4：对上述经过局部二值处理后的图像集I″_train进行加权二维离散小波变 换，得到变换后的图像集I_train,DWT：

在图像集I″_train中选取任意一幅图像F，对其进行二维离散小波变换，得到 LL,LH,HL,HH四个方向上的图像，记为F_LL,F_LH,F_HL,F_HH，则加权后的图像F′ 为：

F′＝a₀F_LL+a₁F_LH+a₂F_HL  (2)

其中，a₀,a₁,a₂为加权系数，约束条件为a₀+a₁+a₂＝1；低频分量F_LL为原图像 的平滑图像，保持了原图像的大部分信息；F_LH分量保持了原图像的垂直边缘细 节；F_HL分量保持了原图像的水平边缘细节；F_HH分量保持了原图像对角线方向 上的边缘细节；由于人脸图像是非刚性的，对角线方向信息的稳定性较差，含噪 声较多，非常不利于特征提取，所以将其舍去；

步骤5：对图像集I_train,DWT中每个样本图像做二维离散余弦变换，得到变换 系数矩阵Y＝{Y₁,Y₂,...,Y_h,...,Y_A}，其中，Y_h为每个样本图像经过二维离散余弦变 换后得到的变换系数向量；然后，将变换系数矩阵Y中每个向量利用zigzag扫描 方式展开；最后，提取每个展开向量的主分量，组成最优特征向量E，即为神经 网络的输入；

步骤6：如图2所示：设置神经网络参数，确定BP神经网络的拓扑结构： 输入层节点数Q、隐含层节点数W、输出层节点数Z；激活函数Sigmoid函数；

步骤7：设置粒子群参数：粒子种群规模B，其中20≤B≤100；维度D， 其中D＝QW+WZ+W+Z；最大迭代次数T_max；学习因子c₁和c₂，其中1≤c₁≤2， 1≤c₂≤2，一般取c₁＝c₂；惯性权重ω，其中0＜ω＜1；最大速度υ_max；最大位 置x_max；在允许范围内随机产生粒子的初始速度、位置；期望误差最小值ε；

步骤8：计算每个粒子的适应度：先输入一个粒子，计算所有样本均方差， 即该粒子的适应度，即：

$J_a=\frac{1}{2A}\underset{k=1}{\overset{A}{\Sigma }}\underset{t=1}{\overset{Z}{\Sigma }}{(y_k^t-c_t^k)}^2---\left(3\right)$

其中，a＝1,2,...,B；是第k个样本的第t个网络输出神经元的期望输出值；是第k个样本的第t个网络输出神经元的实际输出值；同理，继续输入其它粒子， 直至计算出所有粒子的适应度；

步骤9：根据适应度J_a来确定每个粒子的个体最优极值和全局最优极值， 将当前适应度值与每个粒子历史最优适应度比较，适应度小者作为个体最优极值 P_best，与整个种群最优适应度比较，适应度小者作为全局最优极值G_best；

步骤10：更新每个粒子的速度和位置，并且考虑更新后的速度和位置是否 在限定范围内；

${\upsilon }_{\mathrm{id}}^{T+1}={\mathrm{\omega \upsilon }}_{\mathrm{id}}^T+c_1{r}_1(p_{\mathrm{id}}^T-x_{\mathrm{id}}^T)+c_2{r}_2(p_{\mathrm{gd}}^T-x_{\mathrm{id}}^T)---\left(4\right)$

$x_{\mathrm{id}}^{T+1}=x_{\mathrm{id}}^T+{\upsilon }_{\mathrm{id}}^T---\left(5\right)$

其中，i＝1,2,...,B，d＝1,2,...,D，为第T次迭代粒子i速度矢量的第d维分 量；为第T次迭代粒子i位置矢量的第d维分量；为粒子i个体当前最好位 置P_best的第d维分量；为当前群体最好位置G_best的第d维分量；r₁和r₂为服 从[0，1]均匀分布的随机数；

约束条件1：若${\upsilon }_{\mathrm{id}}^{T+1}>{\upsilon }_{\max },$则${\upsilon }_{\mathrm{id}}^{T+1}={\upsilon }_{\max };$若${\upsilon }_{\mathrm{id}}^{T+1}<-{\upsilon }_{\max },$则${\upsilon }_{\mathrm{id}}^{T+1}=-{\upsilon }_{\max };$

约束条件2：若$x_{\mathrm{id}}^{T+1}>x_{\max },$则$x_{\mathrm{id}}^{T+1}=x_{\max };$若$x_{\mathrm{id}}^{T+1}<-x_{\max },$则$x_{\mathrm{id}}^{T+1}>x_{\max },$

步骤11：比较迭代次数是否达到最大T_max或者均方误差是否达到精度ε要求， 若满足，则算法收敛，记录最后一次迭代的个体最优值P_best和全局最优值G_best； 否则，返回步骤9，继续迭代；

步骤12：将全局最优值映射为神经网络的初始权值和阈值，训练网络；

步骤13：将测试集I_test重复步骤2到步骤5的处理，将测试样本数据输入到 已训练好的BP神经网络中进行测试，根据BP神经网络的输出结果，计算识别 率。