彭永康，李 波

(1.武漢科技大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，湖北 武漢 430065；2.武漢科技大學(xué)智能信息處理與實(shí)時(shí)工業(yè)系統(tǒng)湖北省重點(diǎn)實(shí)驗(yàn)室，湖北 武漢 430065)

0 引 言

在人臉識(shí)別[1]任務(wù)中，特征提取是其中非常關(guān)鍵的一環(huán)，主要的目的是為了降維，提取出關(guān)鍵的特征信息。在過(guò)去幾十年中，很多針對(duì)高維數(shù)據(jù)降維的算法被相繼提出，維數(shù)約減算法可分為線性方法和非線性方法兩類[2]。典型的線性方法有無(wú)監(jiān)督的主成分分析(principal component analysis，PCA)和有監(jiān)督的線性判別分析(linear discriminant analytics，LDA)[3]。代表性的非線性算法如流形學(xué)習(xí)，有拉普拉斯特征映射[4](laplacian eigenmaps，LE)算法，但是LE算法在泛化能力上表現(xiàn)不是很好，換句話說(shuō)，測(cè)試數(shù)據(jù)使用訓(xùn)練數(shù)據(jù)得到的投影矩陣計(jì)算其低維空間映射時(shí)是不容易得到的，這個(gè)問(wèn)題也叫作out-of-sample問(wèn)題。針對(duì)這個(gè)問(wèn)題，張量化[5]、核化[6]、線性化[7]等技術(shù)相繼出現(xiàn)來(lái)處理這個(gè)問(wèn)題。相對(duì)于LE算法，局部保持投影[8](locally preserving projections，LPP)算法計(jì)算成本低并且在聚類能力上表現(xiàn)良好。但是以上的LPP算法和LE算法都是基于樣本的局部結(jié)構(gòu)而沒(méi)有考慮樣本的非局部結(jié)構(gòu)信息，之后Yang等提出了一個(gè)非監(jiān)督判別投影算法[9](unsupervised discriminant projection，UDP)，不僅注意了樣本的局部結(jié)構(gòu)信息，還將樣本的非局部結(jié)構(gòu)信息考慮進(jìn)去。

以上的流形學(xué)習(xí)算法是基于點(diǎn)到點(diǎn)之間的距離，有以下缺陷，其一，使用點(diǎn)到點(diǎn)之間的距離學(xué)習(xí)樣本點(diǎn)的幾何結(jié)構(gòu)信息有限，其二，抗干擾能力不強(qiáng)，容易受到噪聲的干擾。針對(duì)以上問(wèn)題，近鄰線性組合的方法包括近鄰特征線[10](nearest feature line，NFL)和近鄰特征場(chǎng)[11](nearest feature plane，NFP)相繼被提出。點(diǎn)到特征線的距離和點(diǎn)到特征空間的距離相較于點(diǎn)到點(diǎn)之間的距離，可以挖掘出更多的判別信息，加強(qiáng)算法的判別能力。但是基于點(diǎn)到特征空間的距離依然容易受到噪聲的干擾，無(wú)法充分學(xué)習(xí)樣本點(diǎn)的局部判別信息。為了解決以上算法的缺陷，提出特征空間到特征空間距離，可以更好學(xué)習(xí)樣本之間的結(jié)構(gòu)信息，同時(shí)提升算法的魯棒性，減少噪聲對(duì)算法判別能力的干擾。

通過(guò)特征抽取得到的判別信息很大程度上會(huì)存在一定的信息冗余，即判別特征向量是統(tǒng)計(jì)相關(guān)的。為了減少其冗余度，使判別特征是全局不相關(guān)的，將不相干約束應(yīng)用于特征空間到特征空間距離度量學(xué)習(xí)，可以減少判別信息的相關(guān)性，提高算法的判別能力。

本文提出一個(gè)基于全局不相關(guān)的多流形學(xué)習(xí)算法(UFDML)。①使用特征空間到特征空間的距離，并使異類特征空間距離最大。②提出一個(gè)不相關(guān)約束應(yīng)用于該算法之上，使得抽取的特征是全局不相關(guān)的。通過(guò)對(duì)LDA，LPP，UDP等算法的比較，本文提出的方法在ORL，Yale，AR人臉庫(kù)中的識(shí)別率是優(yōu)于其它算法的。

1 點(diǎn)到特征空間距離

根據(jù)參考文獻(xiàn)[12,13]，點(diǎn)到特征空間的距離則可以由如下定義為

(1)

(2)

(3)

2 基于不相關(guān)的多流形學(xué)習(xí)算法

2.1 特征空間距離

(4)

同樣的方式，樣本點(diǎn)xj在它的近鄰特征空間的投影點(diǎn)可以表示為

(5)

所以，空間到空間的距離(S2S distance)可以定義為如下所示

(6)

用矩陣的形式表達(dá)，則S2S距離矩陣可以表示為

(7)

這里T是一個(gè)索引矩陣，并且矩陣的元素滿足以下的公式

(8)

2.2 特征空間多流形度量

(9)

這里

(10)

這里Pij的取值為：當(dāng)xi，xj屬于異類最近鄰樣本點(diǎn)，則記作1，否則記作0。

本算法的目的是為了找到一個(gè)最優(yōu)的線性轉(zhuǎn)化，Y=WTX，通過(guò)該線性轉(zhuǎn)化可以使得異類之間的距離最大，所以尋求的投影點(diǎn)應(yīng)是樣本點(diǎn)在異類特征空間的投影點(diǎn)，即上式可以變化成如下所示

(11)

M=TTT

(12)

結(jié)合式(11)、式(12)，上式可以改寫成以下的形式

(13)

WXT(Dii-MI)XWT=WXTLXWT

(14)

這里L(fēng)是一個(gè)拉普拉斯矩陣L=D-M。

2.3 不相關(guān)分析

特征抽取算法在人臉識(shí)別中扮演著非常重要的角色，但是，通過(guò)特征抽取所得到的特征往往含有重疊的判別信息，而在特征抽取算法中加入統(tǒng)計(jì)不相關(guān)的這個(gè)特性可以很好消除判別信息的冗余。但是很多算法往往忽視了這個(gè)性質(zhì)，本文提出的算法在基于特征空間距離進(jìn)行特征抽取的同時(shí)，加入了不相關(guān)約束，使得抽取的判別特征信息是統(tǒng)計(jì)不相關(guān)的。

由前文可得到，對(duì)于訓(xùn)練樣本，判別分析可以由如下的變化得到

(15)

但是由該式得到的特征分量是統(tǒng)計(jì)相關(guān)的，即

(16)

只有該等式等于0時(shí)，特征分量yi和yj是統(tǒng)計(jì)不相關(guān)的，但是式(15)并不能保證得到的特征分量是統(tǒng)計(jì)不相關(guān)，當(dāng)提取出的特征分量是統(tǒng)計(jì)相關(guān)的，存在著冗余信息，不利于信息的提取和最終的分類。

2.4 基于全局不相關(guān)的多流形學(xué)習(xí)框架

基于以上的問(wèn)題，本文提出了一個(gè)基于全局不相關(guān)的多流形學(xué)習(xí)的框架，使得異類樣本之間距離盡可能的大，樣本點(diǎn)經(jīng)過(guò)線性轉(zhuǎn)化后得到的投影向量是全局不相關(guān)的。在式(15)的基礎(chǔ)上，添加一個(gè)不相關(guān)約束，使得到的判別特征是全局不相關(guān)的，并且異類樣本之間的距離盡可能的大。

提出的不相關(guān)約束要滿足抽取的特征Y=WTX，其中任意兩個(gè)特征向量yi，yj(i≠j)，是全局不相關(guān)的，這樣可以得到

(17)

這里Wi,Wj是代表矩陣W中不同的倆列，St則是代表訓(xùn)練樣本的全局散度矩陣，可以表示為

(18)

(19)

等式(17)和等式(19)整理得以下式子

WTStW=I

(20)

這里的N指訓(xùn)練樣本點(diǎn)個(gè)數(shù)。

將該不相關(guān)約束添加到等式中，則我們最終得到的優(yōu)化函數(shù)如下所示

(21)

對(duì)這個(gè)優(yōu)化函數(shù)進(jìn)行求解，通過(guò)拉格朗日乘子法，即

(22)

對(duì)其求偏導(dǎo)數(shù)，則得到以下的形式

(23)

令其等于0，則得到

XLXTW=λStW

(24)

這樣，等式(24)求解可以等價(jià)于求解其廣義特征分解問(wèn)題，則得到的特征向量組成的矩陣是所要求的最優(yōu)化的特征轉(zhuǎn)換矩陣W。

2.5 算法流程

在上述的理論基礎(chǔ)上，本文提出的UFDML算法步驟見(jiàn)表1。

表1 基于全局不相關(guān)的多流形學(xué)習(xí)算法步驟

3 實(shí)驗(yàn)和分析

為了對(duì)本文提出的方法進(jìn)行驗(yàn)證，將本文提出的UFDML算法與相關(guān)的經(jīng)典算法進(jìn)行實(shí)驗(yàn)結(jié)果比較，比較的方法包括UDP，LPP，LDA算法。實(shí)驗(yàn)的數(shù)據(jù)庫(kù)則選用AR，ORL，Yale這3個(gè)廣泛使用的標(biāo)準(zhǔn)人臉數(shù)據(jù)庫(kù)，以此對(duì)本文所提出算法的有效性和實(shí)用性進(jìn)行評(píng)估。

3.1 數(shù)據(jù)集描述

Yale數(shù)據(jù)集中共計(jì)165張人臉圖片，分別為15個(gè)人在相似背景下的不同光照條件和表情的人臉圖片。實(shí)驗(yàn)中，圖像樣本被處理成64×64的大小。

ORL數(shù)據(jù)集共計(jì)400幅灰度圖像，分別為40個(gè)人在不同時(shí)間下拍攝完成的，每個(gè)人的人臉圖像的表情變化豐富。實(shí)驗(yàn)中，圖像樣本被處理成64×64的大小[14]。

AR數(shù)據(jù)集共計(jì)4000多幅圖像，分別為70名男性人臉圖像樣本和56名女性人臉圖像樣本。其中圖像的拍攝都是在不同的光照環(huán)境下拍攝完成的，表情也各不相同。

表2列出AR，ORL，Yale數(shù)據(jù)集的詳細(xì)信息。

表2 AR，ORL，Yale數(shù)據(jù)集信息

3.2 AR，ORL，Yale數(shù)據(jù)集上不同方法的效果比對(duì)

在AR，ORL，Yale數(shù)據(jù)集對(duì)比實(shí)驗(yàn)中，我們用本文提出的UFDML算法跟其它算法進(jìn)行比較，實(shí)驗(yàn)結(jié)果驗(yàn)證了算法的有效性。實(shí)驗(yàn)過(guò)程中，先通過(guò)各算法對(duì)原始高維數(shù)據(jù)進(jìn)行降維，最后使用KNN分類器得到識(shí)別結(jié)果。

對(duì)于每個(gè)數(shù)據(jù)集，選取每個(gè)算法10次中的最高識(shí)別準(zhǔn)確率作為最終識(shí)別結(jié)果。識(shí)別結(jié)果如下。

如表3所示，在這個(gè)實(shí)驗(yàn)中，訓(xùn)練樣本n隨機(jī)的選中為每類6,7,8個(gè)，并且每種算法重復(fù)訓(xùn)練10次，得到每個(gè)算法最大識(shí)別率和與之對(duì)應(yīng)的最佳維度。從實(shí)驗(yàn)結(jié)果可以看出，本文提出的算法在訓(xùn)練樣本選中6,7,8個(gè)時(shí)，得到的識(shí)別率都是優(yōu)于其它3種算法的。

表3 UDP,LPP,UFDML,LDA在AR數(shù)據(jù)集上的識(shí)別結(jié)果

如表4所示，每一類圖像中隨機(jī)選中4,5,6個(gè)作為訓(xùn)練樣本，其余的作為測(cè)試樣本，重復(fù)10次得到每個(gè)算法最大識(shí)別率和最佳維度。從實(shí)驗(yàn)結(jié)果可以看出，本文提出的算法在訓(xùn)練樣本選中4,5,6個(gè)時(shí)，本文提出的算法的識(shí)別能力優(yōu)于其它算法。

表4 UDP,LPP,UFDML,LDA在ORL數(shù)據(jù)集上的識(shí)別結(jié)果

如表5所示，訓(xùn)練樣本n隨機(jī)的選中為每類6,7,8個(gè)并重復(fù)訓(xùn)練10次，得到每個(gè)算法最大識(shí)別率和對(duì)應(yīng)維度。從實(shí)驗(yàn)結(jié)果可以看出，本文提出的算法在訓(xùn)練樣本選中6,7,8個(gè)時(shí)，得到的識(shí)別率都是優(yōu)于其它3種算法的，并且實(shí)驗(yàn)得到的識(shí)別率在分別劃分為6,7,8個(gè)訓(xùn)練樣本時(shí)，算法的識(shí)別率是相對(duì)穩(wěn)定的。

4 結(jié)束語(yǔ)

為了解決傳統(tǒng)流形學(xué)習(xí)算法中判別特征信息不夠充足，易受到噪聲影響和判別特征冗余的問(wèn)題，本文提出了一種基于全局不相關(guān)的多流形學(xué)習(xí)算法(UFDML)。該算法首先通過(guò)特征空間到特征空間距離來(lái)代替?zhèn)鹘y(tǒng)的點(diǎn)到點(diǎn)之間的距離，學(xué)習(xí)一個(gè)基于特征空間距離的判別矩陣，使得異類樣本點(diǎn)之間的距離盡可能的大，同時(shí)，加入了一個(gè)不相關(guān)的約束條件使判別特征統(tǒng)計(jì)不相關(guān)，最終得到最優(yōu)的投影矩陣。UFDML算法有以下優(yōu)點(diǎn)，其一，能夠更好地學(xué)習(xí)樣本點(diǎn)局部結(jié)構(gòu)信息和抗噪聲干擾能力強(qiáng)，二是經(jīng)過(guò)該算法抽取的特征向量是統(tǒng)計(jì)不相關(guān)的，這樣可以降低其冗余度，樣本點(diǎn)在低維空間的分類能力得到提高。在ORL，AR，Yale人臉數(shù)據(jù)庫(kù)上的實(shí)驗(yàn)結(jié)果驗(yàn)證了UFSDML算法的有效性和魯棒性。不足的是，與其它流形學(xué)習(xí)算法相比，本文提出的算法在計(jì)算時(shí)間上不如其它算法，因?yàn)橛?jì)算投影點(diǎn)所造成的迭代花費(fèi)時(shí)間過(guò)多，下一步的研究方向?qū)⒖紤]如何有效降低算法的時(shí)間復(fù)雜度。

表5 UDP,LPP,UFDML,LDA在Yale數(shù)據(jù)集上的識(shí)別結(jié)果