基于协作表示及正则化最小二乘法多姿态人脸识别方法.docVIP

基于协作表示及正则化最小二乘法多姿态人脸识别方法 　　摘 要： 针对现有人脸识别方法不能很好地处理姿态变化的问题，提出一种基于协作表示和正则化最小二乘法的多姿态人脸识别方法。利用通用弹性模型（GEM）将图库中的人脸图像构建成为一个3D模型，在3D人脸姿态的三个方向（偏航、俯仰和翻滚）上提取特征，构建一个三维协作字典矩阵（CDM），利用正则化最小二乘法（RLS）和协作表示（CR）分类法对人脸进行识别分类。在AR和视频人脸数据库上进行实验，结果表明，该方法能够有效地解决具有姿态变化的人脸识别，同时对表情和光照变化也具有鲁棒性，且实时性高 关键词： 多姿态人脸识别； 3D模型； 协作表示； 正则化最小二乘法 中图分类号： TN911.73?34； TP391 文献标识码： A 文章编号： 1004?373X（2017）05?0049?05 Abstract： Since the existing face recognition method can′t deal with the posture change better， a multi?pose face recognition method based on collaborative representation （CR） and regularized least square （RLS） method is proposed. The generalized elastic model （GEM） is used to construct a 3D model of the human face image in the image library. The features in three directions （yaw， pitching and rolling） of the 3D face posture are extracted to construct a three?dimensional collaborative dictionary matrix （CDM）. The RLS method and CR classification method are adopted to recognize and classify the human faces. The experiments were carried out with AR and video hunman face databases. The results show that the method can effectively solve the face recognition with posture variation， has the robustness for expression and illumination changes， and high real?time performance. Keywords： multi?pose face recognition； 3D model； collaborative representation； regularized least square method 0 引 言 随着生物识别技术的飞速发展，人脸识别（Face Recognition，FR）及其在生物特征识别、模式识别和计算机视觉上的应用成为研究的热点[1]。尽管许多人脸识别算法能在约束环境下取得良好的识别效果，但在实际应用中，人脸图像的不同光照条件、面部表情、头部姿态对识别性能具有显著的影响[2]。其中，无约束姿态变化人脸识别是最具挑战性的任务[3] 近期，学者们提出了许多用于姿态变化的人脸识别方法，例如，文献[4]提出一种基于尺度不变特征融合的识别方法，利用尺度不变特征转换算法提取尺度不变特征，在一定程度上能够解决姿态变化的影响。文献[5]提出一种基于姿态矩阵的联合动态系数表示分类的人脸识别方法，将图像构建成3D模型，然后生成姿态矩阵。然而，该方法对具有较大姿态变化人脸的识别率较低。文献[6]提出一种基于特征库矩阵（FLM）框架的姿态不变人脸识别方法，利用双树复数小波变换提取特征，并利用支持向量机进行迭代评分分类。文献[7]提出一种基于稀疏字典矩阵框架的姿态不变人脸识别方法，采用局部二值模式和稀疏表示分类算法。该方法具有较高的姿态变化人脸识别率，但在构建稀疏字典矩阵时不能获得有限且稳定的最稀疏解 针对姿态变化的人脸识别，提出一种基于协作表示和正则化最小二乘法的快速人脸识别方法。在AR人脸数据库上进行实验，证明了提出的方法能够很好地识别姿态变化的人脸，同时对表情和光照也具有鲁棒性。此外，还在Biwi Kine