基于局部特征约束压缩感知人脸识别算法探究.docVIP

基于局部特征约束压缩感知人脸识别算法探究 　　摘要：人脸识别是计算机模式识别领域中一个研究热点和难点。针对人脸识别中数据量大、高维度、非线性等问题，提出基于局部特征约束的压缩感知人脸识别方法.首先对人脸图像进行选择性约束处理，利用SIFT算法提取人脸图像中的局部特征，以此构成压缩感知算法中的测量矩阵，再利用压缩感知的重构算法计算特征的稀疏表示，在此基础上进行人脸识别。算法在AR人脸库上进行了抗干扰比对测试，实验结果验证了算法对光照、表情以及遮挡等干扰具有强的鲁棒性，局部特征的约束大大降低了特征点的数量，有效提高了人脸识别的正确率。 关键词： 压缩感知； 人脸识别； 特征提取； 局部特征； SIFT算法 中图分类号：TP391 文献标识码：A 文章编号：1009-3044（2014）07-1500-05 1 概述 人脸识别凭借着直观突出、安全可靠和智能交互等优势长期备受研究者的关注。在过去的几十年，人脸识别技术取得了较大的进步，涌现出许多人脸识别方法。传统的人脸识别方法有流行的主成分分析（Principal Component Analysis，PCA）【1】，线性判别分析（Linear Discriminant Analysis，LDA）【2】，几何特征方法等。但是人脸识别仍然面临着诸多亟待解决的问题，比如数据量大、维数高、非线性等，尤其是在光照的复杂性、表情的随机性以及遮挡等干扰因素存在下。 近年来，压缩感知（Compressive Sensing， CS）理论的兴起，引起国内外许多学者的研究。压缩感知理论中最经典的内容就是稀疏表示理论。稀疏表示最早出现在信号领域，最初目的是为了用比香农采样定理更低的采样率来表示和压缩信号，通过对重构矩阵的设计，构建重构空间，进而再计算重构空间上的最佳稀疏重构系数【3-4】。Cand`es和Donoho在相关研究基础上于2006年正式提出了压缩传感的概念【5】。 压缩感知理论能够很好的解决数据从高维到低维的转换，给人脸识别领域开辟一条新的途径，引起众多学者的研究和关注。比如，YiMa等人将压缩感知理论和稀疏表示理论引入人脸识别领域，并验证其对光照、表情以及遮挡等情况下，人脸识别具有很好的鲁棒性【6】，TanayaGuha等人通过学习过完备字典集，利用稀疏表示成功的识别了视频中人物的物理动作和人物的面部表情【7】，Ran He等人提出了二级非负稀疏表示算法完成了大规模的人脸识别【8】，Koji Inoue等人利用稀疏表示实现了在光照情况下的人脸识别，并且很好的证明了该算法的鲁棒性【9】，Chih-HsuehDuan等人提出了局部稀疏表示的方法来进行人脸识别并通过实验验证方法的有效性【10】。 2 基于局部特征约束的压缩感知人脸识别算法构建 2.1 压缩感知理论介绍 2.2 特征提取 在人脸识别技术的中，特征提取是一个基本而又至关重要的环节，如何提取出稳定、有效、鲁棒性的特征是人脸识别成败的关键。一般来说，目前人脸的特征描述大致可以分为两类：局部特征和全局特征。 全局特征是指其特征向量的每一维都包了人脸图像上绝大部分的有效信息，因此反映的是人脸的整体轮廓属性。在人脸识别中可以进行粗匹配，但是效果不是非常显著。而局部特征在刻画人脸图像方面比全局特征更加优越，尤其是在刻画细节方面。被认为对光照、表情和遮挡等变化不敏感，因此近些年被广泛的作为特征提取方法应用在人脸识别技术中。 2.2.1 局部特征提取 局部特征反映的是人脸的细节变化，比如面部的一些器官的特点，面部表情，边缘轮廓，面部的奇异特征（比如伤疤，酒窝，痣等），可以进行精细的筛选。 比较常用的局部特征包括局部二值模式（Local Binary Mode，LBP）、Gabor小波、局部非负矩阵分解（Local non-Negative Matrix Factorization，LNMF）等。就目前各人脸大数据库测试的效果而言，Gabor小波变换被认为是目前最有效的人脸表示方法之一。但值得一提的是在局部特征提取方法中，尺度不变特征变换（Scale Invariant Feature Transform，SIFT）特征提取算法成为了国内外学者研究的热点和难点。其提取的局部特征对能对旋转、尺度缩放、光照变化等图像变化因素保持一定的不变性，而对遮挡、噪声等因素也保持较好的可匹配性，从而可以实现差异较大的两幅图像之间特征的匹配。在1999年David Lowe教授总结了现有的基于不变量技术的特征检测方法，并正式提出了一种局域尺度空间的、对图像缩放、旋转甚至仿射变换保持不变性的图像局部特征描述算子SIFT，并在2004年完善总结【14】。基于SIFT算子的优势，该文