一种新的基于稀疏表示的分块人脸识别算法

《一种新的基于稀疏表示的分块人脸识别算法》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、一种新的基于稀疏表示的分块人脸识别算法摘要：近年来，稀疏表示的分类算法(sparserepresentationclassificationSRC)因其良好的有效性和鲁棒性被广泛应用于人脸识别的研究中，很多改进的基于稀疏表示的人脸识别算法被提了出来。其中就有一种基于原型(pro⑹ype)加变差(variation)表示模型的稀毓表示方法，这种方法屮的过完备字典是由类内中心(classcentroids)和样木屮心差(samp/e-to-centroiddifferences')组成的，在一定程度上解决了基于稀疏表示的人脸识别算法过分依赖各类别拥冇充足样木的问题。由于稀

2、疏表示的人脸识别算法是基于整个人脸來考虑的，这就会忽略掉人脸局部特征对整个识别过程的影响。为了解决这个问题，本文引入了分块处理的思想，提出了一种改进的基于稀疏表示的分块人脸识别算法。首先根据上述方法建立完备的训练集；然示根据人脸的五官特征对人脸进行非均匀分区，建立各个了•模块的过完备字典；接着对测试样本的每个子模块通过对应的完备字典计算出稀疏系数，并计算出每一类別重构残差，根据残差大小利用Borda法则分別对子模块小的每一类进行投票，这样就有效避免具有遮挡的子模块中各类残差相近，根据最小残差容易误判问题，最后根据所有子模块屮每类票数的总和进行最终的分类判别。在AR人脸

3、库上的实验，验证了该方法的可行性和鲁棒性。关键词：人脸识別；稀疏表示；子模块投票1引言人脸识别因其在识别问题上的复朵性(如光照、表情、遮挡和对齐等对识别率的影响)和其在工业领域的高需求(如信息安全系统、门禁系统和监控系统中的应用)一直是计算机视觉和模式识别领域研究的热点问题。特征空间变换算法是人脸识别的经典算法，如主成分分析法(PCA)[訂，将人脸图片转换为特征子空间，降低特征维数的同时增大特征间的方差；线性判别分析(LDA)⑵则使变化后的特征在增大类间的距离同时减少类内的距离。一些局部特征描述算了也被用于人脸识别，如局部二值模式(LBP)⑶、Gabor小波变换⑷、近

4、年来一种基于稀疏表示的分类算法(SRC)[5]被成功运用于人脸识別，其核心思想是将测试样本图像表示为训练样本的线性组合，当训练样本足够多的情况下，认为与测试样本同类的系数为非零的，反之系数则很小近乎为零，在一般情况下大部分系数为零，所以称Z为稀疏表示。由于该方法对光照、表情变化以及部分遮挡的人脸识别具有很好的鲁棒性,提升了学者对该方法的研究兴趣，一系列改进的基于稀疏表示的人脸识别方法被提了出来。Zhou等人将稀疏表示和马尔科夫随机场结合起来用来识别部分伪装的人脸⑹；Yang等加人将Gabor特征加入稀疏表示，不仅捉高了人脸的区分能力并且降低了过完备字典的维数⑺；Den

5、g等人提出了一种原型(prototype)加变差(variation)的表示模型[8],用于解决单样本人脸识别问题。本文提出的方法就是在Deng的方法之上引入了分块处理的思想，在一定程度上强化了局部特征的作用。使用Deng提出的方法建立完备的训练集；然后根据人脸的五官特征对人脸进行非均匀分区，建立各个了模块的过完备字典；接着对测试样本的每个子模块通过对应的完备字典计算出稀疏系数，并计算出每一类别重构残差，根据残差大小利用Borda法则分别对子模块中的每一类进行投票，最后根据所有子模块中每类票数的总和进行最终的分类判别。在AR人脸库上的实验，验证了该方法的可行性和鲁棒性

6、。2基于原型加变差的稀疏表示分类算法文献[11][13][19]揭示了稀疏方法受限于每一类都需要足够多的训练样本的问题，为了解决这个问题Deng等人提岀了原型(Prototype)加变差(Variation)的模型。对于给定的包含£个类别，每一类有®幅图像的训练集可以表示为A=[出,舛，…,AdwRdxn，其中A三R"®（i=h・・・,k,工；®二〃）表示由第i个类别的％幅图像各自堆柱成列向量组成的矩阵。原型矩阵则表示为：P=[c1,...,c/,...c/_]gRdy'k（1）式中q=丄4勺表示的是第i类图像的儿何形心，弓=[1,.・・,1广丘尺冈o变差矩阵是由©样

7、本形心差组成，可以表示为：V=[A}-cleir^Ak-ckekT]eRdxn（2）图1给出了由训练样木构建的原型和变弟矩阵的示例。Deng指出测试样本信号可以由两个子信号儿，儿和噪声z组成，即y=儿+儿+z。这里儿是通过原型字典P稀疏重构示得到的，和应的儿是通过变差字典V稀疏重构得到的。这样对于一个测试样本〉，町以线性表示为：y=PaQ+V/70+z（3）当样本的类别数冃R足够大的时候，与£相关的系数才不为0,因此是稀疏的。当变差矩阵"也是过完备的情况下，0（）也是稀疏的。当每一类只有一个样本时，可以通过外部图库选取的图像构建变差炬阵，因为该模型假