基于人工蜂群算法的人脸识别

白荟琳，曲 娜，陈少杰，刘添添

（沈阳航空航天大学安全工程学院，辽宁 沈阳 110136）

由于人脸具有唯一性、易于采样等优点，因此，人脸识别与检测技术应用受到广泛关注【1】。2003年，甘俊英、张有为等【2】将BP神经网络算法应用到人脸识别中并建立模型。王宏漫、欧宗瑛等【3】使用独立PCA的方法来提取更适合分类的人脸特征的主要独立分量，后采用支持向量机分类机制进行识别。周德龙、高文、赵德斌等【4】采用奇异值分解和判别式KL投影等技术来提取最终特征进行识别，这种方法能让分类器做的更简明有效，采用相对比较少的特征向量数目反而得到一个相对较高的识别率。Jiang、Hu等【5】在2005年将三维重建图像技术应用到人脸识别中，先将标准条件下的二维人脸重构成一幅三维标准人脸模型，后将各种不同条件如发型、神情、光照之类的因素放入此模型当中，将其组成一个较为繁杂多变的样本，然后使用主成分将人脸部的特点分析出来，不过这种办法对于初始二维人脸图像标准很严格，而且进行识别的时间也非常久。2008年，王玮、黄非非、冯海亮等人【6】首次提出以多尺度LBP特征为基础的人脸描述与识别算法，并且得到了非常高的识别率。Tang、Yin等【7】用三维人脸构建二维人脸库，将多姿态人脸转化为两张单独照片的比对，但计算复杂，耗时较长。王宪、陆友桃、宋书林等【8】在2012年首先通过Gabor小波变换提取人脸图像中的特征，利用PCA方法继续处理、识别。2014年，马小虎、谭延琪等【9】提出了鉴别稀疏保持嵌入的算法，利用最小二乘问题的结果对SPP中的稀疏权进行了改进，得到了更有价值的判别稀疏权，从而有效地反映了SPP中的判别信息，以保持这个最优的稀疏权为目标来计算低维特征子空间。本文主要研究人工蜂群算法在人脸检测和识别方面的匹配应用，通过PCA方法提取人脸图像中的主要特征，继而利用人工蜂群算法迭代计算，最终实现匹配，速度较快，鲁棒性较好。

1 PCA人脸特征选取

通常在进行人脸识别时将图像视作一个像素矩阵，一幅大小为w×h的人脸图像，按列展开，可将其看做长度为w×h的列向量，相当于图像处于一个高维空间中，但数据分布较分散、冗余信息较多。实际应用时，需要通过某种变换将高维空间中的数据投影到低维子空间，将冗余信息去除掉，从而更好地进行分类。从一幅人脸图像来看，神情、表情特征最主要从嘴巴、眼睛反映出来。因此，要是能将这些最明显的特点给提取出来，那么识别率将会非常高。利用主成分分析法将这些特点提取出来。该方法不仅对高维数据进行降维，还消除数据相关性和噪声。将原始数据的N个特征用较少的M个特征替代，尽量使这M个特征互不相关，进而通过M个特征的线性组合表示原始的N个特征。识别过程是先将特征脸组成一个空间，再把待识别的人脸图像映射到特征脸空间。具体步骤如下【10】：

1）计算所有样本的均值µ和协方差矩阵S，如式（1）、（2）。

2）计算协方差矩阵S的特征值，记该矩阵的特征值为λ1，λ2，…，λn，并由大到小进行排序，如式（3）。

3）将前m个特征值所对应的矢量构建成一个矩阵R，一般情况而言，如果特征值较小所对应的特征矢量包含噪声的可能性越大。所以实际应用中，选择前m个特征矢量，即为PCA提取出的主成分。

2 人工蜂群算法的应用

蜜蜂通过“8字舞”的方式交流蜜源及采蜜信息，实现自组织行为。人工蜂群（Artificial Bee Colony，ABC）就是将这一自然现象建立成模型，主要包括跟随蜂、引领蜂和侦察蜂。蜜源i（i=1，2，...，NP）的质量潜在解与适应度值fiti相适应。跟随蜂和引领蜂的综合就是蜜源的数量，并且在同一个时间段内只有一个引领蜂在蜜源里作业。假设每个蜜源是一个D维向量，t为迭代次数，xid∈(Ld,Ud),Ld和Ud分别为迭代空间的上限和下限，且有d=1，2，...，D。由此，蜜源i初始位置在搜索空间中随机生成的方式如式（4）所示。

在初始搜索阶段，根据式（2）内容引领蜂在周边探寻蜜源，从而发现新的蜜源。

其中，d为区间[1，D]内的随机整数，表示引领蜂在D维向量中随机抽选一维d进行搜索，而j≠i，且j∈ [1，2，...NP]，即在NP个蜜源当中随机挑选一非i蜜源，φ为决定扰动的幅度，均匀、随机分布在[-1,1]当中。

当搜索到的新蜜源Vi=[vi1,vi2,...,vid]对空间的适应度优于Xi时，则以新蜜源取代旧蜜源，若新蜜源Vi对空间的适应度小于旧蜜源Xi，则保留Xi。

在全部引领蜂完成式（5）运算后，便飞回到蜂巢对所发现的蜜源进行资源共享，发现新蜜源的引领蜂带着跟随蜂去到新的蜜源，具体表示如式（6）。

最后，跟随蜂以轮盘赌的方式对引领蜂进行选择，简单来说就是在[0，1]生成一均匀分布的随机数r，当Pi＞r时，跟随蜂则以式（6）为依据在蜜源i周边构建一新的蜜源，并与引领蜂采用相同的贪婪选择法对应保留蜜源予以确定【11】。

在发现蜜源整个阶段中，如果蜜源Xi经过了trial次迭代已达到阈值limit，却没有探寻到更好的蜜源，则应将该蜜源遗弃，而后该蜜源所对应的引领蜂角色便转变为侦查蜂，侦查蜂继续在搜索空间中生成新的蜜源Xt+1i，表示为式（7）。

为保持人工蜂群算法的一般性，其解的适应度评价应以式（8）为依据进行计算：

式中，fi为解的函数值。可以把人工蜂群算法重点分为引领蜂搜索新蜜源、引领蜂及时将蜜源信息进行传递、引领蜂转变身份变成侦查蜂后进行作业3个部分。

ABC人脸识别过程如下【12】∶

1）初始化：设定蜜源Xi、参数NP以及limit和迭代次数的上限t，将待匹配样本作为识别对象。

2）蜜源Xi分配1只引领蜂出来作业，根据式(5)内容进行搜寻，最后搜寻到新的蜜源Vi，再进行图像处理得到人脸部分特征并在人脸库中进行搜索。

3）根据式（8）对新搜索到的蜜源Vi的适应度进行评价，并以贪婪选择法确定出应该保留的蜜源；在与人脸库的所有样本比对过程中，将每次比对后的匹配率计算出来。

4）根据式（6）计算出蜜源被引领蜂找出且被跟踪的概率。

5）跟随峰搜索蜜源的方案和引领蜂一样，由贪婪选择性选出来的方案来确定蜜源并将其保留。然后从所有样本中留下匹配率最高的，再看看蜜源是不是应该被放弃。如果蜜源满足被放弃的条件，那么相对的引领蜂将会换身份成侦查蜂，相反就转换到过程7）；对比最终挑选样本与待测样本的匹配率是否满足要求。

6）侦察蜂根据式（7）随机产生Vi。

7）t=t+1，判断迭代次数是否达到上限，是否有遗漏，若满足，则输出匹配率最高的样本作为最终结果；若不满足，证明存在未被比对的样本，故转到过程2）继续进行比对。

3 仿真实验

利用MATLAB的图形用户界面（GUI）编程得到易于操作的人脸识别界面。

3.1 不同实验条件下的结果

1）图1是在自然光条件下进行人脸识别的结果。

图1 自然光条件下人脸识别结果

2）图2～图5为人工蜂群算法对于人脸在不同角度、表情、发型等条件下识别的结果。

图2 不同角度的人脸识别结果

图3 不同表情的人脸识别结果

图4 不同表情和发型的人脸识别结果

图5 不同表情和光照的人脸识别结果

3.2 实验结果分析

实验利用ORL YALE数据库，采集了15个人的人脸图像，每个人有10个图像，图像大小是112×92，总共150张图像。图像的细节包括是否佩戴了镜框，眼睛打开角度，头发的长短，表情的不同等不同程度的变化。除此之外，人脸的姿态也有很大变化，如人脸旋转角度大概可达到20°，尺寸也会有10%的幅度变化，YALE人脸数据库部分图像如图6所示。仿真实验共进行了60组人脸识别，其中58组识别正确，准确度为96.7%。

图6 部分人脸库图像

4结论

利用主成分分析法将人脸图像中的主要特点、重要信息进行识别提取，减少了计算量。利用人工蜂群算法进行人脸识别，提高了识别的准确率。仿真实验共进行了60组人脸识别（包括不同光照、姿势、表情等），其中58组识别正确，准确率为96.7%，说明该方法是有效的。