基于特征基压缩传感算法的人脸识别方法.docxVIP

基于特征基压缩传感算法的人脸识别方法 1 不同特征选择 目前，人脸识别技术的研究取得了许多成果，但由于涂层、面部表情和照明等因素的影响，人脸识别率显著降低。因此，提高对人脸识别、涂层、面部表情和照明的元素的鲁棒性是当前人脸识别技术研究的中心主题之一。近年来, 许多研究者致力于这方面的研究, 提出了一些有效的方法, 如针对光照变化问题, 文献提出了一种基于二次多项式模型的光照归一化补偿方法, 该方法计算复杂度低, 易于实现, 但在光照变化极端强烈的情况下性能会明显降低。针对表情、姿态变化问题, 文献将VLBP算法应用于人脸识别, 该算法能有效地提取人脸中表情的纹理和形变特征, 但由于产生的直方图维数过长, 影响识别速度。针对遮挡问题, 文献提出了一种基于反射模型的光照不变特征提取方法, 采用权值投票系统以达到最优分类, 但在提取光照不变特征时, 滤波器设计复杂, 权值选择不够灵活。 压缩传感 (Compressed Sensing, CS)算法被应用于人脸识别中, 对克服遮挡、表情和光照等因素对识别率的影响, 取得了较好的效果。压缩传感算法利用随机观测矩阵将稀疏的高维信号投影到低维空间, 通过凸优化可以以低于2倍采样频率的方式重构原信号, 信号的投影测量数据量远小于传统采样算法。文献首次将压缩传感算法用于人脸识别, 其基本原理是使用训练样本的下采样图像作为超完备基, 将测试样本表示为训练样本的线性组合, 根据其稀疏表示特征进行分类识别。但该方法在传感矩阵中会出现很多相关列, 这些相关列对图像重构没有任何价值, 却增加了算法的存储和计算成本;另外, 当采样速率过低时, 信号的PSNR较低, 视觉效果不佳。此外文献在文献基础上, 采用Gabor小波获取人脸的高维统计信息, 并用子空间方法进行二次降维, 然后用单位阵对其进行扩展, 最后利用反馈神经网络方法进行信号重建, 在全局收敛方面取得了较好的效果;魏冬梅采样随机分布的规范行矢量高斯矩阵构造感知矩阵, 对训练图像和测试图像进行感知, 并指出如果能够在某种基下对人脸图像进行稀疏表示, 那么特征选择将不再是一个难点, 大量的特征值将成为算法中可利用的优点。 本文针对人脸识别对遮挡、表情和光照等因素的鲁棒性问题, 提出一种基于PCA特征基的压缩传感算法的人脸识别方法。该方法利用双向二维主成分分析 (Two Directional Two Dimensional PCA, (2D) 2PCA) 将人脸图像变换到PCA特征域, 将提取的图像行列2个方向的特征作为压缩传感算法的超完备基;然后通过求解最小化l1范数, 寻求图像在该超完备基上的稀疏表示, 以得到一组最优的稀疏系数来重构各类图像, 求取测试图像与重构图像的最小残差进行分类识别。 2 类变量p 假设已知测量矩阵Φuf0ceRMuf0b4N(M (28) N) 以及未知信号x在该矩阵下的线性测量yuf0ceRM: 该方程可以看作原信号x在Φ下的线性投影。考虑由y重构x, 在实际应用中, 由于y的维数远低于x的维数, 式 (1) 有无穷多解, 即该问题是欠定的, 很难重构原始信号。但如果原始信号x是K稀疏的, 并且y和Φ满足一定条件, 信号x就可由测量值y通过求解最优l0范数问题精确重构: 其中, ‖x‖0表示向量x的l0范数, 即向量x中包含的非零元素的个数。要精确重构K稀疏信号x, 测量次数M必须满足条件M=O (Kln (N) ) , 并且矩阵Φ必须满足等距性条件。 然而, 常见的自然信号在时域中几乎都不稀疏, 因此很难精确重构。信号稀疏理论指出, 自然信号可以通过某种变换ψ进行稀疏表示, 即对于信号x, 可表示为x=ψp, p为信号x在ψ变换域上的稀疏表示, 则测量值y可重新表示为: 其中, Φ (4) uf0ceRMuf0b4N称为传感矩阵。这时, 如果Φ (4) 满足约束等距条件, 稀疏信号p就可通过最优l0范数求解, 此时, 式 (2) 重写为: 由于ψ是固定的, 为使得Φ (4) 满足约束等距性条件, 测量矩阵Φ须满足一定的条件, 文献[9-10]证明了当Φ是高斯随机矩阵时, 传感矩阵Φ (4) 能以较大概率满足约束等距性条件。此时, 重构信号?p可表示为: 由于最优化问题式 (4) 中求解l0范数是一个多项式复杂程度的非确定性问题 (Non-deterministic Polynomial) , 即NP-难问题。如果信号足够稀疏, 那么l0最小化问题等同于l1最小化问题的解, 通过最小l1范数可以求出唯一的最稀疏解, 最小l1范数的数学表示为: 其中, l1范数表示向量中各元素绝对值之和, 此时凸优化问题可以通过二阶锥规划问题解决。 3 基于pca特征的压缩传感器算法的面部识别 3.1 基于pca特征基的压缩传感算法