基于分片加权的人脸识别系统.docxVIP

基于分片加权的人脸识别系统 经过40多年的发展，现在最合适的识别系统可以在理想环境下达到令人满意的效果。然而,大部分的识别系统需要在非理想环境下使用,大多人脸识别系统在这样的环境下识别率下降得非常快,因此,人脸识别仍然面临着巨大的挑战。为提高人脸识别的鲁棒性,许多学者进行了各种尝试。但对于遮挡或伪装等问题,不管是基于二维的还是三维的人脸识别方法都是个极具挑战的难题。目前,对于人脸遮挡问题主要还是通过融合人脸局部的方法,通过降低遮挡部分的权值来达到对遮挡的鲁棒性;或者是通过分类器的设计来提高对遮挡的鲁棒性。但基于人脸局部的识别方法,存在人脸分片算法复杂、权值选择缺乏自适应性、分类器设计不合理等不足。 根据线性组合的思想,一类对象可以用该类对象基底的线性组合来表示。Ullman等人的研究指出,在正投影与不考虑遮挡的情况下,利用物体不同的3个视角图像的线性组合可以生成任意视角的图像。这是线性组合思想在图像合成方面最初的尝试。线性组合思想在图像分析与合成方面的深入研究发展成了现在形变模型。如Jones等利用形变模型来表示人脸、汽车以及手写数字等对象,并取得了很好的效果;最近形变模型被用来重建三维人脸模型,这种三维人脸重建方法充分利用了三维人脸的先验知识,重建的三维人脸具有很好的真实感。 1 基于变形模型的面部表示和分类 1.1 测试样本y的重写 将每个人脸图像按行的顺序排列成列向量V,那么第i类训练样本表示为: Ai=[Vi,1,Vi,2,?,Vi,ni]∈Rm×ni(1) 根据线性子空间原理,如果第i类样本足够多,那么来自此类的测试样本y可以用如下的线性组合表示为: y=ni∑j=1ai,jVi,j=ai,1Vi,1+ai,2Vi,2+?+ai,niVi,ni(2) 把Ai扩展到整个训练集: A=[A1,A2,?,Ak]=[V1,1,V1,2,?,Vk,nk]∈Rm×n(3) 其中,n为训练样本总数,那么测试样本y可以重写成: y=k∑i=1ni∑j=1ai,jVi,j=Ax0∈Rm(4) 式中,k∑i=1ni∑j=1ai,j=1是测试人脸图像的组合系数;x0=[0,…,0,ai,1,ai,2,…,ai,ni,0,…,0]T∈Rn是一个系数向量,这就是形变模型的基本思想。 1.2 y5残差分类 解线性方程组y=Ax,一般通过l1-Minimization标准进行最小优化匹配方法来求解,即 (l1):?x1=argmin∥x∥1s.t.Ax=y(5) 由于噪声、遮挡与建模误差的原因,会有一小部分非0项分散到多个类中,因此,必须设计一个残差,根据系数与每类训练样本的残差来进行分类。 对每类图像i,让δi作为特征函数(选择与第i类对应的系数)。对于x∈Rn,δi(x)∈Rn是一个只具有第i类非0项,其余项都为0的新向量。对于测试图像y可近似表示为?yi=Aδi(?x1),测试图像的分类问题就变为如下的优化问题: miniri(y)=∥y-Aδi(?x1)∥2(6) 式中,ri(y)为残差。 1.3 扩展l-节约式稀疏解 在实际应用中,测试图像可能带有伪装或是部分遮挡,此时式(4)应修改为: y=y0+e0=Ax0+e0(7) 首先假设被遮挡的图像是原图像的一小部分,像向量x0一样,误差向量e0也具有稀疏性。由于y0=Ax0,重写式(7)为: y=[A,Ι][x0e0]=Bω0(8) 式中,B=[A,I]∈Rm×(n+m);方程y=Bω通常是欠定的,ω没有唯一解。由稀疏的x0和e0知,正确的解ω0=[x0,e0]至多有ni+ρm个非0值。因此可以通过方程y=Bω来求解稀疏解ω0。如果遮挡向量e小于(m-ni)/2像素(约图像的50%),通过方程y=Bω可以得到真实的稀疏解。 通过以上讨论知,可以通过如下扩展的l1-Minimization得到稀疏解: (l1e):?ω1=argmin∥ω∥1s.t.Bω=y(9) 也就是说,图像矩阵A被扩展矩阵B=[A,I]替代,x被ω=[x,e]所取代。因此,式(6)修改为: miniri(y)=∥y-?e1-Aδi(?x1)∥2(10) 2 局部变形模型的人脸识别 2.1 识别率下降的原因 以上方法虽然对人脸识别有一定的鲁棒性,但当人脸有较大的表情变化或是遮挡超过50%时,识别率下降很快。本文对人脸进行分片,对每一分片分别建立形变模型,求解其稀疏系数,最后加权识别。本文根据遮挡与表情变化的特性直接将每个人脸分为8小块,这样做的好处是分割算法简单,又不影响对表情与遮挡变化的鲁棒性。 2.2 基于稀疏表征系数稀疏度指数的权值动态调整 很显然,8个子区域的独特性是不一样的,眼睛区域比嘴巴区域更容易进行身份识别。因此,对于每个区域,应赋予不同的权值wl,其中l=1,2,…,8。将人脸8个子区域单独拿来进行实验