基于稀疏表示的多姿态人脸合成与识别讲义.docVIP

基于稀疏表示的多姿态人脸合成与识别 摘 要：姿态问题因其带来的光照、遮挡、非线性尺度变化，成为了影响自动人脸识别效果的瓶颈。如何去衡量不同姿态的人脸图像下的相关性，是解决多姿态人脸识别问题的关键。本文通过字典学习与稀疏表示的方法，联合训练正脸姿态和非正脸姿态字典，保证同一对象两个姿态样本的稀疏表示系数相同，通过稀疏表示系数的相似性来衡量不同姿态的人脸的相似性。通过以上的相似性，本文提出了多姿态的人脸合成算法，并分别设计了基于合成人脸和稀疏表示系数本身的姿态鲁棒人脸识别系统，通过在CMU-PIE多姿态人脸数据集的实验，证明了本文方法在处理多姿态人脸识别的有效性。 关 键 词：稀疏表示；多姿态人脸识别；人脸合成；字典学习 Abstract: Pose variations which bring illumination change, occlusion and non-linear scale variations, is the bottleneck influencing performance of automatic face recognition system. How to measure the similarity among samples under different poses is a key problem. In this paper, we propose a new approach to measure correlations between different poses via sparse representations. Based on dictionary learning and sparse representation techniques, we jointly train frontal and non-frontal dictionaries so that samples of one object under different poses own the same sparse representations. Therefore, via sparse representations of two dictionaries, we get the similarity measurement between different poses. By sparse coding, we propose a new frontal face synthesis algorithm and build two pose invariant face recognition systems based on virtual frontal face and sparse representation similarities respectively. The experiment results on multi-pose subsets of CMU-PIE database show the efficiency of the proposed method on multi-pose face recognition. Key words: Sparse Representation；Multi-pose Face Recognition；Face Synthesis；Dictionary Learning 1 引 言 近年来，随着研究的不断深入，自动人脸识别技术得到了高速的发展，最新的人脸识别算法，在可控外部环境条件下，已经能够达到了较好的识别效果[3][7][8][9][10]。然而，对于目前大多数人脸识别算法，一旦姿态产生了较大变化，将会的导致人脸识别精度的显著下降[1]。这在真实应用领域几乎是不可避免的。由于人脸作为一个高度非刚性物体的特殊性，姿态的变化往往带来了旋转、位移、遮挡、光照变化等诸多非线性变换。快速准确的进行姿态矫正，或者提取姿态不变的信息，找出不同姿态下的相似性度量，是解决人脸识别中的姿态问题的有效方法。 许多研究致力于解决人脸识别中的姿态变化问题。早期最具代表性的有Wiskott等人的弹性图匹配算法（EBGM）通过标定的关键点，在关键点上提取不同尺度方向的Gabor特征，从而获得不同姿态下对应特征点的相似性[2]。Chai等人进行训练样本的局部线性回归，获得了某姿态正脸到侧脸的映射关系，从而重建虚拟正脸[5]。Li等人通过典型正则分析（CCA）获得在中介子空间中的相似性度量进行多姿态匹配[6]。Blanz建立了3D可变模型，通过匹配的特征点，将该模型匹配到具体的人脸图像，通过模型视角的变化，获得重建正脸图像[4]。 流形空间方法揭示