基于稀疏表示的多姿态人脸合成与识别

《基于稀疏表示的多姿态人脸合成与识别》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、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。Abstract:Pos

2、evariationswhichbringilluminationchange,occlusionandnon-linearscalevariations,isthebottleneckinfluencingperformanceofautomaticfacerecognitionsystem.Howtomeasurethesimilarityamongsamplesunderdifferentposesisakeyproblem.Inthispaper,weproposeanewapproachtomeasurecorrelationsbetweendifferentposes

3、viasparserepresentations.Basedondictionarylearningandsparserepresentationtechniques,wejointlytrainfrontalandnon-frontaldictionariessothatsamplesofoneobjectunderdifferentposesownthesamesparserepresentations.Therefore,viasparserepresentationsoftwodictionaries,wegetthesimilaritymeasurementbetwee

4、ndifferentposes.Bysparsecoding,weproposeanewfrontalfacesynthesisalgorithmandbuildtwoposeinvariantfacerecognitionsystemsbasedonvirtualfrontalfaceandsparserepresentationsimilaritiesrespectively.Theexperimentresultsonmulti-posesubsetsofCMU-PIEdatabaseshowtheefficiencyoftheproposedmethodonmulti-p

5、osefacerecognition.关键词：稀疏表示；多姿态人脸识别；人脸合成；字典学习Keywords：SparseRepresentation；Multi-poseFaceRecognition；FaceSynthesis；DictionaryLearning1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，一些最新的人脸识别算法，在可控外部环境条件下，已经能够达到了较高的识别速度和识别精度[3][7][8][9][10]。然而，对于目前大多数人脸识别算法，一旦一些外部因素（如被测者的姿态、表情，光照环境）产生了较大的变化，将会的导致人脸识别精度的显著下降

6、[1]。然而，以上的一些变化，在真实世界的人脸识别应用领域几乎是不可避免的。如何对以上外部因素进行建模，并设计开发对这些外部因素鲁棒的人脸识别算法，成为了最近十年人脸识别研究的重点。而被测者姿态的变化问题，又成为了影响人脸识别的最难以处理的外部因素。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。在不同的视角下，一些脸部区域与被测者的角度、距离均产生了明显的变化，甚至被遮挡。由于在现实应用中，往往不能将多个姿态均存入数据库。因此，只有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

7、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。早期解决姿态变化问题，主要是通过一些2D表观模型的形变，获得不同姿态下的关键特征的匹配。最具代表性的有Wiskott等人的弹性图匹配算法（EBGM）[2]。该算法通过在手动选取的对应特征点上的Gabor小波元素集的度量与特征点之间的几何信息，构造了束图，从而获得不同姿态下对应特征点的相似性。Castillo等人使用立体匹配的方法，通过3或4个关键点，获得人脸图像的核面几何构造，计算不同姿态下人脸的相似程度[11