人臉辨識的實驗結果與分析比較

在人臉辨識的實驗結果部分，測試相片是從自己拍攝及同學與朋友所提供的照片中 選出20 個人物，總共 96 張照片來做測試，包含了各種場景及不同人臉角度與大小的照 片，一共有 402 張人臉。圖 4.2 是人臉辨識實驗的部分結果。圖 4.2(a)是測試照片做完 人臉偵測後的結果，將這些截下來的人臉送入類神經網路做辨識，辨識後的結果對照在 人臉資料庫中的人物，將其由左至右依序展示在圖4.2(b)。

人臉辨識的實驗結果分為兩個部分，第一部分是測試訓練樣本數多寡下的辨識率，

隨機抽取不同數量的訓練樣本，這樣可以模擬實際應用情況下，可能會發生訓練樣本數 不足的情況，測試結果如表4.3 所示。第二部分是測試各種維度下的辨識率，這樣可以 找出區域保留投影所降低的維度與人臉辨識率之間的關係，由於本論文的方法是對 24 種賈伯小波做降維，因此降低後的維度會以 24 為基數增加來測試辨識率，測試結果如 表4.4 所示。

從表4.3 中可看出，訓練樣本數越多，辨識率也會隨之增加，但又不是絕對，這是 因為隨機選擇訓練樣本並不一定能找到足夠代表性的樣本，也就是說，訓練樣本是否具 代表性才是影響辨識率的關鍵。

從表4.4 中可看出，維度越高，辨識率同樣的也會增加，但是增加的幅度會越來越 小。當維度到達192 維時有最佳的辨識率與維度的平衡，也就是對於每一個賈伯濾波器，

使用區域保留投影做降維，只需要8 個維度就足以表示了。

(a)

(b)

圖 4.2 人臉辨識實驗的部分結果，(a)人臉偵測後的結果，(b)人臉 辨識的結果，由左至右取出資料庫的人臉做展示。

接下來將本論文的方法和兩篇相關的論文做比較，這兩篇論文分別是Wang 等人[36]

所提出的方法與You[37]等人所提出的方法。Wang 的方法是使用二維賈伯小波視窗的方 法去抽取局部特徵向量，用這個向量來表示人臉並且做辨識；而You 的方法是屬於流形 學習中的方法，稱之為鄰域識別投影(neighborhood discriminant projection, NDP)，此方法 是從局部線性嵌入的方法修改而來。主要思想是保留分類內部的幾何關係，透過不同類 別之間的差異而有識別的能力。選擇這兩個方法來比較是因為Wang 的方法與本論文都 是使用賈伯濾波器來得到人臉的特徵，但Wang 是使用局部的人臉特徵來辨識人臉，不 像本論文使用的是人臉的整體特徵；You 的方法則是直接將人臉影像經過鄰域識別投影 來學習，不像本論文是使用賈伯濾波器來得到人臉的特徵。用這兩種方法對本論文所使 用的測試相片分別對不同訓練樣本數與不同維度的情形做人臉辨識，結果如圖4.3 與圖 4.4 所示。

表4.3 不同訓練樣本數的人臉辨識實驗結果。

訓練樣本數 辨識正確 辨識錯誤 辨識率

2 47 355 11.69%

4 128 274 31.84%

6 182 220 45.27%

8 269 133 66.92%

10 334 68 83.08%

12 361 41 89.80%

14 376 26 93.53%

16 373 29 92.79%

18 375 27 93.28%

20 368 34 91.54%

22 373 29 92.79%

24 369 33 91.79%

26 371 31 92.29%

28 374 28 93.03%

30 367 35 91.29%

由圖 4.3 中同樣可看出本論文的方法是較優於另外兩種方法，Wang 的方法與本論 文相近，但是效果仍然沒有像本論文的方法這麼好，雖然特徵與本論文所使用的很類 似，但由於Wang 使用局部的特徵，因此在辨識上對於不同表情與角度的變化，就沒有 那麼好的容忍度；另外從圖上可以很明顯的看出來，You 的方法是需要比較多的訓練樣 本才能夠達到足夠的辨識率。

表4.4 不同維度下的人臉辨識實驗結果。

維度 辨識正確 辨識錯誤 辨識率

24 140 262 34.83%

48 217 185 53.98%

72 289 113 71.89%

96 325 77 80.85%

120 341 61 84.83%

144 353 49 87.81%

168 361 41 89.80%

192 366 36 91.04%

216 369 33 91.79%

240 371 31 92.29%

264 372 30 92.54%

288 373 29 92.79%

312 373 29 92.79%

336 374 28 93.03%

360 374 28 93.03%

384 374 28 93.03%

408 375 27 93.28%

432 375 27 93.28%

456 375 27 93.28%

480 376 26 93.53%

圖4.3 不同訓練樣本數的人臉辨識實驗結果比較。

圖4.4 不同維度下的人臉辨識實驗結果比較。

由圖4.4 中可看出本論文的方法是較優於 Wang 的方法，但是比 You 的方法稍差。

Wang 的方法雖然也是用賈伯濾波器來得到人臉特徵，但 Wang 是使用局部的人臉特徵 與主成份分析做降維來辨識人臉，不像本論文使用的是人臉的整體特徵與區域保留投 影；雖然Wang 的方法是將人臉局部特徵分開做主成分分析來降維，但是效果仍然沒有 像本論文的方法這麼好；You 的方法的最大優點是只需要比較少的維度就能有不錯的辨 識率，但是需要較多的訓練樣本才能達到效能，因此在訓練樣本不足時，辨識率反而會 較低。