基于支持向量机和特征向量提取的人脸识别框架

郑 琨，张 杨，赖 杰，李森森（河北科技大学信息科学与工程学院，河北石家庄 050018）

基于支持向量机和特征向量提取的人脸识别框架

郑 琨，张 杨，赖 杰，李森森
（河北科技大学信息科学与工程学院，河北石家庄 050018）

为了研究支持向量机在人脸识别中的应用，提出了人脸识别框架，该框架首先利用特征向量提取算法对人脸进行特征提取，得到人脸面部纹理特征数据，然后采用支持向量机对提取的数据进行训练，得到人脸模板，并依据人脸模板对人脸进行识别。实验采用ORL人脸数据库作为实验数据，使用LBP算法提取特征向量，使用LIBSVM训练得到人脸模板数据库，当模板人脸数与预测人脸数比值一定时，随着人数增加，其预测的正确率会有所下滑；当人数一定时，人脸模板与预测人脸数值上升，其正确率会有所上升。当选择一个相对合适的模板比例时，正确率将会达到89.29%以上。实验结果表明，提出的框架对于人脸具有良好的识别能力。

计算机图像处理；支持向量机；人脸识别；LBP特征向量提取；人脸数据库

人脸识别技术是一种利用人脸部特征信息进行身份识别的生物识别技术，具有非接触性、非强制性、并发性等特点，因此该技术在公共安全、金融安全、人机交互等领域中已得到广泛应用。

国内外诸多研究人员对于人脸识别技术进行研究，部分研究利用基于几何结构特征的方法[1]，通过对人的眼、鼻、嘴等面部特征进行提取，并进行身份验证。目前，几何特征方法的维数由二维上升到三维，并开始对三维人脸识别方法进行研究和改进[2]，该方法有效降低了无效三维几何特征对识别的影响，使得三维人脸识别的实现更加高效和准确。由于几何结构特征的方法本身具有计算简单、效果良好等特点，已经成为人脸识别的主流方法之一。此外，还有一些研究是基于模板匹配的方法，这部分主要包括特征脸方法、线性判别分析法、神经网络分析法、动态链接匹配方法等。有些研究采用LBP算子进行特征提取进行人脸识别，通过对LBP算子进行改进，能够提高识别的准确率[3－4]。目前将LBP和支持向量机结合进行人脸识别的研究还有待进一步研究。

本文提出了一个基于支持向量机和特征向量提取的人脸识别框架，该框架的实验结果表明，所提出的框架对于人脸具有良好的识别能力。

1　基于支持向量机的人脸识别框架

1.1框架概述

该框架以人脸模板数据库为基础，首先对数据库中的人脸使用LBP算法进行特征提取，得到人脸特征向量，然后以人脸特征为基础，利用支持向量机LIBSVM对人脸特征向量进行训练，得到人脸模板数据，并构成人脸模板数据库。通过LIBSVM的预测进行人脸识别，人脸识别框架如图1所示。

图1　人脸识别框架Fig.1 Face recognition framework

1.2特征向量提取

在特征向量提取上，本文采用局部二值模式（local binary pattern，简称LBP）[56]，它是由OJALA等提出的用来描述图像局部纹理特征的算子，可用于纹理特征提取。

LBP算子定义为在3×3的窗口内，将相邻的8个像素的灰度值与其窗口中心像素比较，若周围像素值大于中心像素值，则该像素点的位置被标记为1，否则为0。这样，3×3邻域内的8个点经比较可产生8位二进制数，从而得到该窗口中心像素点的LBP值，并用这个值来反映该区域的纹理信息，LBP算子特征提取示意图如图2所示，图中计算所得LBP值为54[7]。

图2　LBP算子运算过程示意图Fig.2 LBP operation process diagram

在人脸识别中，人脸特征提取的过程至关重要，特征提取的好坏直接影响了人脸识别的正确率。为了能够有更好的识别率，采用子图分割的方法[8]，将整张人脸划分成n个小区域，再利用LBP算子得到每个小区域的LBP值，对所有小区域的LBP值按顺序排列在一起，即得到整幅人脸的特征向量[8－9]。图3为ORL人脸库中的一张人脸，对其进行LBP特征向量的提取过程和效果图。

图3　人脸特征提取前后变化图Fig.3 Face feature extraction before and after change

1.3基于支持向量机的人脸模板获取和预测

支持向量机（support vector machine，简称SVM）[10－13]作为一种预测工具已经受到众多研究者的关注，它在人脸识别、遥感影像、车牌识别等领域内有广泛应用。它在解决小样本、非线性及高维模式识别中表现出许多特有的优势，并能够推广应用到函数拟合等其他类机器学习问题中。SVM方法是建立在统计学习理论的VC维理论和结构风险最小原理基础上的，根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折中，以期获得最好的泛化能力。

本文使用LIBSVM对提取的特征向量进行训练[14]，LIBSVM是由台湾大学林智仁教授等人开发的一个简单、方便和高效的SVM模式识别与回归的软件包。将图像数据组织成LIBSVM需要使用固定的数据格式，其格式如下：

〈label〉〈index1〉：〈value1〉〈index2〉：〈value2〉…

在本实验中，〈label〉代表的是训练数据集的类别，即参与人脸训练的人数，一般为整数值；〈index〉代表人脸向量的维度，可以不连续；〈value〉代表人脸向量维度的值。将人脸的特征向量格式化成LIBSVM格式，得到如下数据（部分数据）：

1 1：368 2：65 3：113 4：73 5：58 6：17 7：57 8：105 9：54 10：57 11：18 12：90 13：7 14：10 15：9…

1 1：377 2：86 3：112 4：68 5：52 6：19 7：65 8：96 9：43 10：51 11：16 12：85 13：11 14：18 15：12…

1 1：394 2：59 3：132 4：61 5：57 6：15 7：53 8：74 9：34 10：53 11：11 12：88 13：5 14：15 15：13…

预测人脸是由最后3张人脸构成。当特征向量使用支持向量机对人脸模板进行训练时，需要设置参数c和gamma（γ）的值，恰当的设置该值能使分类的正确率达到最高。在LIBSVM软件包中的easy.py工具中输入训练模板和预测人脸特征向量能实现训练与预测同步完成，并寻找出最优参数c 和γ，使得模板有最高正确率。如图4所示，以20人每人7张人脸为模板，3张人脸为预测人脸为例，其中最合适的参数c＝2，γ＝0.125，模板的正确率为95.0%。

图4　训练结果Fig.4 Training results

2　实 验

2.1实验环境

硬件上，采用AMD A6－4400双核处理器，处理器主频为2.7GHz，内存大小为4GB。软件上，采用Windows 7的32位操作系统，支持向量机软件为LIBSVM 1.6版本，此外，本文使用Matlab 7.14版本作为LBP特征提取的工具。

2.2实验数据

实验采用ORL数据库作为人脸数据，该人脸数据库由剑桥大学AT＆T实验室创建，包括不同人种和性别的40人，每人10幅图片，共400张面部图像[15－16]。所拍摄的图片在照明、脸部表情等方面不尽相同，是一种常用于人脸识别的数据库，该数据库的部分人脸如图5所示。

图5　ORL部分人脸数据库Fig.5 ORL partial face database

实验用整个ORL人脸数据库进行测试，分别从5，10，20，40个不同人数（种类）[17]分析人数增加时预测正确率的变化。在实验中通过增加人脸模板数与预测人脸数的比值来分析框架预测结果的准确性。

2.3实验结果

表1给出了使用该框架预测的结果。在预测过程中，通过改变模板数，查看框架的学习能力。当模板人脸数与预测人脸数的比值为3∶3时，随着人数的增加其正确率从100%降到了85.83%；当模板人脸数与预测人脸数的比值为5∶3时，人数增加会使正确率从100%降至90%；而当比值为7∶3时，随着人数的增加正确率会从100%降至89.29%。由此可见，随着人脸种类增加，其预测的正确率有所降低，这主要与SVM预测能力有关；当人脸模板与预测人脸数的比值上升时，其正确率会有所上升。总的来说，本文提出的框架结构能够正确识别人脸，并且正确率都能达到85.83%以上，说明本框架具有较好的人脸识别效果。

表1　人脸识别结果Tab.1 Face recognition results%

3　结 论

人脸识别已在公共安全、金融安全、人机交互等领域[18]中具有广泛的应用，更有广阔的发展空间。本文提出了一个人脸识别框架，该框架首先利用特征向量提取算法对人脸进行特征提取，得到人脸面部纹理特征数据，然后采用支持向量机对提取的数据进行训练，得到人脸模板，并依据人脸模板对人脸进行识别。实验采用ORL人脸数据库作为实验数据，使用LBP算法提取特征向量，使用LIBSVM训练得到人脸模板，实验结果表明，所提出的框架是可行的，对于人脸具有良好的识别能力。该框架利用基于结构风险最小化的原理，而不是传统统计学的经验风险最小化原理，使得可信度大幅提高。进一步的工作应着重改进支持向量机算法，以增强框架的人脸识别准确率。

／References：

[1] BRUNELLI R，POGGIC T.Face recognition：Features versus tem－plates[J].IEEE Transactions on PAMⅠ，1993，15：1042－1052.

[2] 余芳，岳冬利，王岁花.基于改进几何特征的三维人脸识别方法[J].计算机仿真，2011，28（4）：291－294.YU Fang，YUE Dongli，WANG Suihua.Face recognition algorithm based on improved geometric features[J].Computer Simulation，2011，28（4）：291－294.

[3] 阮晓虎，李卫军，覃鸿，等.一种基于特征匹配的人脸配准判断

方法[J].智能系统学报，2015，10（1）：12－19.RUAN Xiaohu，LI Weijun，QIN Hong，et al.An assessment method for face alignment based on feature matching[J].CAAI Transactions on Intelligent Systems，2015，10（1）：12－19.

[4] 黄非非.基于LBP的人脸识别研究[D].重庆：重庆大学，2009.HUANG Feifei.Research on Face Recognition Based on LBP Operator[D].Chongqing：Chongqing University，2009.

[5] 曾凡涛.基于改进LBP特征的图像理解[D].长春：吉林大学，2014.ZENG Fantao.Image Understanding Based on Improved LBP Methodology[D].Changchun：Jilin University，2014.

[6] OJALA T，PIETIKAINEN M，MAENPAA T.Multiresolution gray scale and rotation invariant texture classification with local binary patterns[J].IEEE Trans on Pattern Analysis and Machine Intelligence，2002，24（7）：971－987.

[7] 王宪，张彦，慕鑫，等.基于改进的LBP人脸识别算法[J].光电工程，2012，39（7）：109－114.WANG Xian，ZHANG Yan，MU Xin，et al.The face recognition algorithm based on improved LBP[J].Opto－Electronic Engineering，2012，39（7）：109－114.

[8] 胥淘.一种基于改进LBP算子的人脸识别算法研究[J].电脑与信息技术，2010，18（6）：36－38.XU Tao.A face recognition method based on improved LBP algorithm[J].Computer and Information Technology，2010，18（6）：36－38.

[9] 王玮，黄非非，李见为，等.使用多尺度LBP特征描述与识别人脸[J].光学精密工程，2008，16（4）：696－705.WANG Wei，HUANG Feifei，LI Jianwei，et al.Face description and recognition using multi－scale LBP feature[J].Optics and Precision Engineering，2008，16（4）：696－705.

[10]孙文荣，周先春，嵇亚婷.基于直方图均衡化、PCA和SVM算法的人脸识别[J].软件，2014，35（8）：11－15.SUN Wenrong，ZHOU Xianchun，JI Yating.Face recognition based on histogram equalization，Principal Components Analysis and Support Vector Machine algorithms[J].Computer Engineering ＆Software，2014，35（8）：11－15.

[11]殷辉，叶飞.基于SVM的软件质量评价[J].河北工业科技，2012，29（5）：308－310.YIN Hui，YE Fei.Software quality evaluation based on support vector machine[J].Hebei Journal of Industrial Science and Technology，2012，29（5）：308－310.

[12]刘东辉，卞建鹏，付平，等.支持向量机最优参数选择的研究[J].河北科技大学学报，2009，30（1）：58－61.LIU Donghui，BIAN Jianpeng，FU Ping，et al.Study on the choice optimum parameters of support vector machine[J].Journal of Hebei University of Science and Technology，2009，30（1）：58－61.

[13]陈琦，郭顺超，张世辉.基于特征联合和支持向量机的人脸识别[J].燕山大学学报，2012，36（6）：519－525.CHEN Qi，GUO Shunchao，ZHANG Shihui.Face vecognition based on features combination and SVM[J].Journal of Yanshan University，2012，36（6）：519－525.

[14]罗婷婷，范太华.支持向量机核函数及优化研究[J].先进制造与管理，2007，26（10）：34－35.LUO Tingting，FAN Taihua.Survey of SVM kernel function and optimum[J].Advanced Manufacture and Management，2007，26（10）：34－35.

[15]高海阔，马盛楠.基于ORL数据库的快速人脸认证技术的研究[J].科技传播，2014（12）：218－219.GAO Haikuo，MA Shengnan.Research on fast face authentication technology based on ORL database[J].Public Communication of Science ＆Technology，2014（12）：218－219.

[16]李国，穆国旺，睢佰龙.基于生物启发特征与PCA－LDA的人脸识别方法[J].河北工业大学学报，2013，42（5）：80－83.LI Guo，MU Guowang，SUI Bailong.Face recoguition based on biologically inspired features combined with PCA－LDA[J].Journal of Hebei University of Technology，2013，42（5）：80－83.

[17]翟倩茹.不同姿态人脸配准方法研究[D].大连：大连海事大学，2012.ZHAI Qianru.Research on Various Poses Face Image Registration[D].Dalian：Dalian Maritme University，2012.

[18]段锦.人脸自动机器识别[M].北京：科学出版社，2009.

Face recognition framework based on support vector machine and feature vector extraction

ZHENG Kun，ZHANG Yang，LAI Jie，LI Sensen
（School of Information Science and Engineering，Hebei University of Science and Technology，Shijiazhuang，Hebei 050018，China）

In order to study the application of support vector machine in face recognition，a face recognition framework is proposed.This framework firstly extracts face feature with the feature vector extraction algorithm to get the face feature data，and trains the data to obtain a face model，then recognizes the faces according to the face model.The experiment uses ORL face database as experimental data，uses LBP to extract the face feature，and uses LIBSVM to train the data to get the face model.When the ratio of the number of faces in templates to the prediction number of faces is the same，the prediction accuracy will decrease with the increase of the number；when the number of faces is the same，the prediction accuracy will increase with the ncrease of the face templates and the prediction number of faces.When the proportion of the template is relatively appropriate，the accuracy will exceed 89.29%.The experimental results show that this framework works well in recognizing faces.

computer image processing；support vector machine；face recognition；LBP feature vector extraction；face database

1008－1534（2016）01－0058－05

TP391.41

A

10.7535／hbgykj.2016yx01011

2015－09－20；

2015－11－19；责任编辑：陈书欣

河北省高等学校青年拔尖人才计划项目（BJ2014023）

郑 琨（1981—），男，河北唐山人，讲师，硕士，主要从事高性能计算方面的研究。

张 杨博士。E－mail：uzhangyang＠foxmail.com

郑 琨，张 杨，赖 杰，等.基于支持向量机和特征向量提取的人脸识别框架[J].河北工业科技，2016，33（1）：58－62.

ZHENG Kun，ZHANG Yang，LAI Jie，et al.Face recognition framework based on support vector machine and feature vector extraction [J].Hebei Journal of Industrial Science and Technology，2016，33（1）：58－62.