光照健壯人臉識別的低秩相對梯度直方圖特征

楊利平,李 武

(重慶大學(xué)光電技術(shù)及系統(tǒng)教育部重點(diǎn)實(shí)驗(yàn)室，重慶 400044)

?

光照健壯人臉識別的低秩相對梯度直方圖特征

楊利平,李 武

(重慶大學(xué)光電技術(shù)及系統(tǒng)教育部重點(diǎn)實(shí)驗(yàn)室，重慶 400044)

為了進(jìn)一步提升人臉梯度特征的光照健壯性，本文結(jié)合低秩分解能有效分離圖像本質(zhì)特征和噪聲的特性，提出了一種光照健壯的低秩相對梯度直方圖特征提取方法.首先，通過對人臉圖像進(jìn)行相對梯度運(yùn)算獲得了圖像的相對梯度幅值圖像和各像素的梯度方向信息.然后，為了去除相對梯度圖像中由于非均勻光照而引入的光照邊緣誤差，利用低秩分解將相對梯度圖像分解為低秩分量和稀疏噪聲分量之和.最后，結(jié)合人臉圖像的梯度方向信息對相對梯度圖像的低秩分量進(jìn)行離散化、濾波和局部二值模式編碼形成了人臉的低秩相對梯度直方圖特征.在經(jīng)典的FERET子集以及具有代表性的YaleB和PIE光照子集上的實(shí)驗(yàn)顯示：低秩相對梯度直方圖特征的人臉識別性能顯著優(yōu)于相對梯度直方圖特征、方向梯度幅值模式特征和圖像低秩特征等方法的性能；在YaleB子集上，低秩相對梯度直方圖特征的人臉識別精度比相對梯度直方圖特征的人臉識別精度高至少4%.實(shí)驗(yàn)結(jié)果證明，低秩相對梯度直方圖特征對光照變化，尤其是非均勻光照變化的人臉識別具有很強(qiáng)的健壯性.

人臉識別;低秩分解;相對梯度;光照健壯性

電子學(xué)報URL:http://www.ejournal.org.cn DOI:10.3969/j.issn.0372-2112.2016.08.024

1 引言

自主成分分析方法(Principal Component Analysis,PCA)[1]應(yīng)用到人臉識別中以來，經(jīng)過二十多年的發(fā)展，人臉識別的特征提取理論得到極大豐富.經(jīng)典的子空間分析方法[2,3]以及稀疏表示[4,5]、字典學(xué)習(xí)[6]等方法相繼被用來解決人臉識別的難題并取得了一定的效果.目前，理想條件下的人臉識別問題已經(jīng)得到了很好的解決并在特定領(lǐng)域的產(chǎn)品中得以應(yīng)用.然而，受光照、表情、遮擋、年齡、姿態(tài)、圖像質(zhì)量等因素的影響，非理想條件下的人臉識別技術(shù)還遠(yuǎn)未成熟，仍是當(dāng)前計算機(jī)視覺和模式識別領(lǐng)域的熱點(diǎn)與難點(diǎn)問題[7].光照變化對人臉圖像的灰度值影響顯著，是當(dāng)前基于像素的人臉圖像特征提取方法面臨的關(guān)鍵難點(diǎn).提取對光照具有良好健壯性的人臉圖像特征是人臉識別亟待解決的問題.

人臉圖像的特征提取是人臉識別的關(guān)鍵步驟.對于非理想條件下的人臉識別而言，一種好的特征應(yīng)能夠充分表征個體與個體之間的本質(zhì)差別，即在保留個體本質(zhì)特征的前提下，能夠在最小化由光照、姿態(tài)、圖像質(zhì)量等外部條件變化帶來影響的同時最大化不同個體之間的差異.換言之，好的特征應(yīng)具有足夠的鑒別能力和對環(huán)境條件的健壯性.為了獲得具有足夠鑒別能力的健壯性特征，近年來研究者們主要從以下兩個方面著手開展工作：一是結(jié)合稀疏表示、字典學(xué)習(xí)和低秩分解[8]等理論設(shè)計具有環(huán)境健壯性的鑒別特征提取方法[9,10]；二是通過一定的變換將圖像的像素特征轉(zhuǎn)換為一些低級視覺特征，進(jìn)而獲取圖像特征的健壯性描述[11～14].

文獻(xiàn)[9,10]假設(shè)同一個體多幅圖像的本質(zhì)特征在同一低秩子空間中，并利用低秩分解將人臉圖像分解為具有低秩特性的“干凈”人臉和具有稀疏特性的誤差圖像之和.文獻(xiàn)[9]將低秩分解和稀疏表示融合起來，在得到人臉圖像低秩分解的低秩部分和稀疏誤差后，利用低秩部分構(gòu)建了子空間，并將圖像投影到該低秩子空間后通過稀疏分類完成識別.低秩分解的引入使該方法對圖像的噪聲具有一定健壯性，但由于直接將樣本向低秩子空間進(jìn)行投影，可能導(dǎo)致投影后特征中的噪聲無法完全消除.文獻(xiàn)[10]則將低秩分解和字典學(xué)習(xí)結(jié)合起來，利用人臉圖像的低秩部分構(gòu)建樣本字典，稀疏部分構(gòu)建噪聲字典；然后分別利用噪聲字典和樣本字典實(shí)現(xiàn)對圖像的誤差消除和識別.該方法巧妙的利用了圖像低秩分解后獲得的低秩本質(zhì)特征和稀疏誤差成分，使得到的圖像特征具有較強(qiáng)的環(huán)境健壯性.然而，由于稀疏誤差的隨機(jī)性較大，利用噪聲字典的線性組合來表示任意圖像的稀疏誤差存在一定的不足.

另一大類方法專注于健壯的視覺特征描述方法的研究.該類方法的典型代表為基于Gabor特征和局部二值模式(Local Binary Pattern,LBP)的人臉特征提取方法.模擬人類簡單細(xì)胞感受野的Gabor特征能獲得對人臉圖像不同朝向和不同尺度的描述，是最成功的人臉特征描述方法之一[11].但Gabor特征的獲得需要將圖像與一組不同方向不同尺度的Gabor核進(jìn)行卷積，計算量龐大，限制了其應(yīng)用范圍.局部二值模式特征在刻畫圖像紋理細(xì)節(jié)特征方面具有優(yōu)勢，且對于圖像的整體光照變化具有一定的健壯性[12].但當(dāng)圖像受到嚴(yán)重的非均勻光照影響時，LBP特征將失效.近幾年，為了提高特征的健壯性，Vu等利用圖像的梯度信息代替像素信息提出了方向邊緣幅值模式(Patterns of Oriented Edge Magnitudes,POEM)特征[13].該特征將圖像梯度幅值按梯度方向進(jìn)行離散化，然后分別計算離散化后各梯度圖像的LBP直方圖特征.經(jīng)過前期的研究，我們發(fā)現(xiàn)，在光照變化劇烈，尤其是圖像受非均勻光照影響時，POEM無法獲得足夠的特征描述信息，導(dǎo)致其對光照變化的健壯性較差.為了減輕光照對POEM特征的影響，文獻(xiàn)[14]提出了相對梯度直方圖特征(Relative Gradient Histogram Features,RGHF)描述方法.該方法用人臉圖像的相對梯度信息代替了梯度信息，使特征對光照的健壯性顯著增強(qiáng).但是，當(dāng)人臉圖像受非均勻光照變化影響時，RGHF特征的相對梯度信息仍含有大量噪聲信息.

為了進(jìn)一步提升特征的光照健壯性，本文在相對梯度直方圖特征描述方法的基礎(chǔ)上，結(jié)合低秩分解能有效分離圖像本質(zhì)特征和稀疏誤差的特點(diǎn)，提出了人臉圖像的低秩相對梯度直方圖特征(Low-Rank Relative Gradient Histogram Features,LR-RGHF)描述方法.該方法對人臉的相對梯度圖像進(jìn)行低秩分解，獲得了對光照具有很強(qiáng)健壯性的低秩相對梯度圖像，然后結(jié)合RGHF對梯度圖像的處理策略，對低秩相對梯度圖像進(jìn)行了離散化、濾波和LBP編碼處理，形成了具有光照健壯性的LR-RGHF特征.在FERET、YaleB和PIE子集上的實(shí)驗(yàn)證實(shí)了LR-RGHF相比于RGHF、POEM以及直接對圖像像素進(jìn)行低秩分解得到的低秩特征具有更強(qiáng)的光照健壯性.

2 低秩相對梯度直方圖特征

2.1 人臉的低秩相對梯度圖像

成像設(shè)備對人臉的成像是一個相對復(fù)雜的過程.如圖1(a)所示，受光照條件變化的影響，人臉圖像的像素值會發(fā)生明顯改變.根據(jù)朗伯光照模型，人臉圖像某點(diǎn)的像素值可表示為其反射分量和光照分量的乘積，即：

I(x,y)=L(x,y)R(x,y)

(1)

其中，I(x,y)表示圖像(x,y)點(diǎn)處的像素值，R(x,y)和L(x,y)分別為對應(yīng)的反射分量和光照分量.通常認(rèn)為反射分量描述的是人臉表面的紋理信息，與光照無關(guān)，反映了人臉的本質(zhì)特征；光照分量則表征了圖像受到的光照影響.

為了獲得對光照具有健壯性的人臉特征，一方面，研究者假設(shè)人臉的光照分量是緩慢變化的，并基于此給出了人臉的光照不變特征提取方法[15,16]；另一方面，研究者認(rèn)為多幅人臉圖像的本質(zhì)特征在同一低秩空間中，并嘗試?yán)镁仃嚨牡椭确纸夥蛛x圖像特征和光照噪聲[8].上述研究已經(jīng)證實(shí)，人臉圖像的相對梯度特征和低秩分解特征都對光照具有一定的健壯性[8,15].如圖1(b)和圖1(c)分別為對圖1(a)中四幅人臉圖像進(jìn)行低秩分解后得到的圖像低秩分量和光照噪聲，圖1(e)為圖1(a)中四幅人臉圖像的相對梯度圖像.對比圖1(b)、圖1(c)和圖1(a)可以看出，直接對不同光照圖像進(jìn)行低秩分解后，低秩分量消除了部分光照的影響，但對非均勻光照的去除效果較差；同時，光照噪聲分量中仍含有較多的面部特征信息.對比圖1(e)和原始圖像的梯度圖像(圖1(d))可以看出，雖然相對梯度圖像更加突出了人臉的面部細(xì)節(jié)，但當(dāng)原始圖像受到非均勻光照影響時，梯度圖像和相對梯度圖像中存在明顯的光照邊緣誤差.

本文進(jìn)一步對圖像的相對梯度進(jìn)行低秩分解，獲得了更具光照健壯性的人臉低秩相對梯度圖像.設(shè)Ir(x,y)為人臉圖像I的相對梯度圖像在(x,y)點(diǎn)處的值，則有：

(2)

其中，

(3)

為I(x,y)的梯度幅值，

(4)

為(x,y)處的梯度方向.為了對相對梯度圖像Ir進(jìn)行低秩分解，需獲得低秩投影矩陣P.

設(shè)有k幅圖像的數(shù)據(jù)集G=[gr1,gr2,…,grk]，其中，gri∈Rl(i=1,2,…,k)為由人臉的相對梯度圖像各列首尾相接后形成的l維列向量.低秩分解的目標(biāo)為求解以下最小化問題：

(5)

(6)

(7)

根據(jù)增廣拉格朗日乘子法求得數(shù)據(jù)集G的低秩分量L和稀疏誤差分量E后，為了獲得對新樣本的低秩投影矩陣P，我們仿照文獻(xiàn)[18]構(gòu)建如下目標(biāo)函數(shù)：

minrank(P), s.t. L=PG

(8)

其中，對矩陣P的低秩約束保證了新樣本投影后也具備低秩特性.式(8)仍是一個非凸優(yōu)化問題，可將其轉(zhuǎn)化為如下新的目標(biāo)函數(shù)：

(9)

根據(jù)文獻(xiàn)[18]可知，式(9)中低秩投影矩陣P的唯一最小解為：

P=LG+

(10)

其中，G+為G的偽逆，可以通過對G的奇異值分解求得.這樣，對于任一人臉相對梯度圖像Ir，設(shè)其按列首尾相接的列向量為gr，則其低秩分量為：

gl=Pgr

(11)

稀疏誤差分量為：

el=gr-gl

(12)

圖1(f)和(g)分別為圖1(e)的相對梯度圖像進(jìn)行低秩分解后得到的低秩相對梯度圖像和對應(yīng)的稀疏噪聲誤差.從圖1(f)可以看出，人臉的低秩相對梯度圖像可以很好地凸顯人臉細(xì)節(jié)特征，且對于光照變化，尤其是非均勻光照，表現(xiàn)出很強(qiáng)的健壯性.

2.2 低秩相對梯度直方圖特征

為了有效降低特征的維度并避免低秩相對梯度圖像中零元素對人臉識別的影響，我們借鑒文獻(xiàn)[11]對梯度圖像的處理方法提取人臉圖像的低秩相對梯度直方圖特征，并利用該特征實(shí)現(xiàn)光照健壯的人臉識別，圖2所示為特征提取的具體流程.

對于任給的一幅人臉圖像I，首先計算出其相對梯度圖像Ir并利用2.1節(jié)中獲得的投影矩陣P進(jìn)行低秩投影求出低秩分量gl，將gl還原為圖像即為低秩相對梯度圖像(設(shè)為Ilr).

緊接著，按照2.1節(jié)給出的梯度方向θ(x,y)對Ilr的每個位置的值進(jìn)行離散化處理.與文獻(xiàn)[13]類似，將Ilr中所有像素的梯度方向θ(x,y)進(jìn)行等間隔無符號的離散化(設(shè)共有m個離散化方向)，并以每個像素的梯度方向到與其相鄰的兩個離散化方向夾角的比值為權(quán)重，將Ilr中對應(yīng)位置的值分配到各不同的離散化方向上.

與文獻(xiàn)[14]一樣，我們對m個方向上的分量分別進(jìn)行高斯濾波，然后利用局部二值模式對分解得到的m個分量分別進(jìn)行編碼，形成LBP直方圖特征Hi(i=1,2,…,m).需要說明的是，在計算每個分量的LBP直方圖特征時，該分量又被分為n×n個塊并利用均勻模式LBP提取每個分塊的59維直方圖特征.這樣，每個分量可用n×n個59維的向量首尾相接得到其直方圖特征Hi.將所有m個分量的特征串聯(lián)起來形成了最終的人臉低秩相對梯度直方圖特征H，即：

H={H1,H2,…,Hm}

(13)

為了降低特征維度，減小特征的冗余性，我們采用白化主成分分析(Whitened PCA,WPCA)對低秩相對梯度直方圖特征進(jìn)行了維數(shù)約簡.

3 實(shí)驗(yàn)與分析

為了驗(yàn)證本文提出的LR-RGHF特征的人臉識別性能及其對光照變化的健壯性，本節(jié)將在FERET、YaleB和PIE人臉庫上進(jìn)行對比實(shí)驗(yàn)，比較LR-RGHF與文獻(xiàn)[9]提出的人臉低秩特征、文獻(xiàn)[14]提出的RGHF特征以及文獻(xiàn)[13]提出的POEM特征的人臉識別性能.為了充分發(fā)揮各自特征的分類性能，利用余弦距離對LR-RGHF、RGHF和POEM特征進(jìn)行分類，而利用稀疏表示分類(Sparse Representation Classification,SRC)對文獻(xiàn)[9]的低秩特征進(jìn)行分類(記該方法為LR+SRC).

3.1 實(shí)驗(yàn)數(shù)據(jù)集介紹

FERET人臉庫共包含1199人的14051幅人臉圖像.在本實(shí)驗(yàn)中，我們選擇229人的共1131幅圖像構(gòu)成了實(shí)驗(yàn)圖像子集.子集中的圖像包括一定的表情、光照和姿態(tài)變化，根據(jù)其面部特征坐標(biāo)信息處理為128×128像素大小.圖3(a)為處理后的FERET子集圖像示例.

YaleB人臉庫由來自38人的64種不同光照和9種姿態(tài)的22230幅圖像組成.在本實(shí)驗(yàn)中，為了驗(yàn)證本文所提方法對光照變化的健壯性，我們選擇了38人的64種不同光照正面圖像構(gòu)成共2414幅圖像的子集進(jìn)行實(shí)驗(yàn).子集中所有的圖像均處理為168×192像素大小.圖3(b)為處理后的YaleB子集圖像示例.

PIE人臉庫包含有68人的不同姿態(tài)、光照和表情的41638幅圖像.在本實(shí)驗(yàn)中，我們選擇了68人的21幅相同表情不同光照的正面圖像構(gòu)成共1425幅圖像的實(shí)驗(yàn)子集.子集中所有圖像均處理為128×128像素大小.圖3(c)為處理后的PIE子集圖像示例.

由2.1節(jié)知，在提取LR-RGHF特征和圖像的低秩特征時，需要首先構(gòu)造數(shù)據(jù)集G用于學(xué)習(xí)低秩投影矩陣P.為此，在FERET子集上實(shí)驗(yàn)時，隨機(jī)選擇了每人3幅圖像，共687幅圖像構(gòu)成了數(shù)據(jù)集G；在YaleB子集上實(shí)驗(yàn)時，隨機(jī)選擇了每人7幅圖像，共266幅圖像構(gòu)成了數(shù)據(jù)集G；在PIE子集上實(shí)驗(yàn)時，隨機(jī)選擇了每人3幅圖像，共204幅圖像構(gòu)成數(shù)據(jù)集G.

3.2 LR-RGHF特征參數(shù)設(shè)置實(shí)驗(yàn)

由2.2節(jié)的分析可知，LR-RGHF特征的維度與離散化數(shù)目m和分塊數(shù)目n有關(guān).特征維度的變化會直接影響其人臉識別精度.為此，我們從YaleB子集中隨機(jī)選擇每人7幅圖像構(gòu)成有266個樣本的訓(xùn)練集，剩余2148幅圖像作為測試集進(jìn)行人臉識別實(shí)驗(yàn).

實(shí)驗(yàn)時，分別取離散化數(shù)目m=2～8；分塊數(shù)目n=1～14，逐一測試了離散化數(shù)目m和分塊數(shù)目n為不同取值時的識別精度.圖4給出了識別精度隨著離散化數(shù)目m和分塊數(shù)目n的變化趨勢.

從圖中可以看出，隨著分塊數(shù)目n的增加，識別精度總體上呈增長趨勢；當(dāng)n≥7以后，識別精度隨分塊數(shù)目n的增長趨勢變緩；同時，識別精度趨勢變緩后，隨著離散化數(shù)目m的增加，識別精度先增大后減小；當(dāng)m=3時，識別精度達(dá)到最佳值.因此，綜合考慮特征維度和算法的識別性能，在后續(xù)對YaleB子集的實(shí)驗(yàn)中，取m=3，n=14.

由于FERET、PIE子集的圖像大小小于YaleB子集的圖像大小，為了保證對圖像分塊后每個小塊的大小相當(dāng)，在后續(xù)對FERET、PIE子集的實(shí)驗(yàn)中，我們根據(jù)經(jīng)驗(yàn)取m=3，n=7.

3.3 人臉識別實(shí)驗(yàn)與結(jié)果分析

為了評估LR-RGHF特征的人臉識別性能及其光照健壯性，我們分別在選出的具有代表性的FERET、YaleB和PIE光照子集上對比了LR-RGHF、RGHF、POEM和LR+SCR等四種方法的識別性能.

在每個子集上，隨機(jī)選擇不同數(shù)量的個體樣本作為訓(xùn)練樣本，剩余的其他樣本作為測試樣本進(jìn)行實(shí)驗(yàn)，每種方法的識別結(jié)果都是10次獨(dú)立實(shí)驗(yàn)的平均結(jié)果.表1、表2和表3分別給出了FERET、YaleB和PIE子集上，不同訓(xùn)練樣本數(shù)目時每種方法的最佳識別精度比較.

分析表1、表2和表3的實(shí)驗(yàn)結(jié)果可以看出：

(1)隨著訓(xùn)練樣本數(shù)的增加，LR-RGHF、RGHF、POEM和LR+SRC四種方法的識別精度都顯著提高.

(2)大多數(shù)情況下，相同訓(xùn)練集上，LR-RGHF、RGHF、POEM等三種基于圖像梯度特征方法的識別性能要顯著優(yōu)于直接對圖像進(jìn)行低秩分解的LR+SRC方法，這說明了梯度特征相比于像素特征對光照變化具有更好的健壯性.另外，在PIE子集上，隨著訓(xùn)練樣本數(shù)的增加，LR+SRC方法的識別精度逐漸趕上并超過了RGHF和POEM，說明圖像的低秩分解能夠有效的獲取對光照具有健壯性的人臉本質(zhì)特征.

表1 FERET子集上四種方法的最佳識別精度(%)

表2 YaleB子集上四種方法的最佳識別精度(%)

表3 PIE子集上四種方法的最佳識別精度(%)

(3)相比于文獻(xiàn)[9]中給出的實(shí)驗(yàn)結(jié)果，本文中LR+SRC的識別精度略低，這是由于在學(xué)習(xí)低秩投影矩陣P時我們選擇的數(shù)據(jù)樣本遠(yuǎn)少于文獻(xiàn)[9]的數(shù)據(jù)樣本數(shù)而造成的.LR+SRC方法需要在大量數(shù)據(jù)的基礎(chǔ)上才能取得令人滿意的結(jié)果，這也是該方法的不足之處.

(4)相比于RGHF、POEM和LR+SRC，本文提出的LR-RGHF特征提取方法的識別精度顯著優(yōu)于其他三種方法；在經(jīng)典的FERET子集上，LR-RGHF特征的人臉識別性能明顯優(yōu)于其它三種方法；在含有非均勻光照變化的YaleB子集上，LR-RGHF表現(xiàn)出了很好的識別性能，這證實(shí)了LR-RGHF對光照變化，尤其是非均勻光照變化具有很強(qiáng)的健壯性.

(5)與RGHF、POEM和LR+SRC中性能最好的RGHF相比，在YaleB子集上LR-RGHF比RGHF的識別精度至少高4%；在PIE子集上，訓(xùn)練樣本數(shù)為1時，LR-RGHF比RGHF的識別精度高15%，隨著訓(xùn)練樣本數(shù)的增加LR-RGHF和RGHF的識別性能差別逐漸減小.這再次說明，提取人臉圖像的相對梯度特征并進(jìn)行合理的特征描述是解決人臉識別光照問題的可行方法.

4 結(jié)論

本文在分析受光照影響人臉圖像及其梯度圖像的特點(diǎn)的基礎(chǔ)上，結(jié)合低秩分解可以有效分離圖像的本質(zhì)特征和稀疏噪聲的特點(diǎn)，提出了人臉識別的低秩相對梯度直方圖特征提取方法.該方法創(chuàng)新性地將人臉相對梯度圖像分解為其低秩分量和稀疏噪聲分量，并發(fā)現(xiàn)其低秩分量能夠凸顯人臉的本質(zhì)特征且對光照變化具有很強(qiáng)的健壯性.基于這一認(rèn)識，進(jìn)一步結(jié)合梯度方向信息對低秩相對梯度圖像進(jìn)行了離散化、濾波和LBP編碼，形成了低秩相對梯度直方圖特征.在經(jīng)典的FERET子集以及具有代表性的YaleB和PIE光照變化子集上的人臉識別實(shí)驗(yàn)結(jié)果顯示：LR-RGHF的識別性能顯著優(yōu)于RGHF、POEM和LR+SRC等三種方法的識別性能；在光照變化劇烈且含有非均勻光照的YaleB子集上，LR-RGHF的識別精度比RGHF的識別精度至少高4%.實(shí)驗(yàn)結(jié)果證明了本文提出的低秩相對梯度直方圖特征對人臉圖像的光照變化，尤其是非均勻光照變化，具有很強(qiáng)的健壯性.

[1]Turk M,Pentland A.Eigenfaces for recognition[J].J Cognitive Neuroscience,1991,3(1):71-86.

[2]尹洪濤,付平,沙學(xué)軍.基于DCT和線性判別分析的人臉識別[J].電子學(xué)報,2009,37(10):2211-2214.

Yin H T,Fu P,Sha X J.Face recognition based on DCT and LDA[J].Acta Electronica Sinica,2009,37(10):2211-2214.(in Chinese)

[3]楊利平,辜小花,葉洪偉.用于分類的樣本保局鑒別分析方法[J].光學(xué)精密工程,2011,19(9):2205-2213.

Yang L P,Gu X H,Ye H W.Sample locality preserving discriminant analysis for classification[J].Opt Precision Eng,2011,19(9):2205-2213.(in Chinese)

[4]Wright J,Yang A Y,Ganesh A,et al..Robust face recognition via sparse representation[J].IEEE Trans Pattern Anal Mach Intell,2009,31(2):210-227.

[5]胡正平,李靜.基于低秩子空間恢復(fù)的聯(lián)合稀疏表示人臉識別算法[J].電子學(xué)報,2013,41(5):987-991.

Hu Z P,Li J.Face recognition of joint sparse representation based on low-rank subspace recovery[J].Acta Electronica Sinica,2013,41(5):987-991.(in Chinese)

[6]Wright J,Ma Y,Mairal J,et al..Sparse representation for computer vision and pattern recognition[J].Proceedings of the IEEE,2010,98(6):1031-1044.

[7]Lei Z,Pietikainen M,Li S Z.Learning discriminant face descriptor[J].IEEE Trans Pattern Anal Mach Intell,2014,36(2):289-302.

[8]Candes E,Li X D,Ma Y,et al..Robust principal component analysis?[J].Journal of the ACM,2011,58(3):1101-1137.

[9]Wei C P,Chen C F,Wang Y F.Robust face recognition with structurally incoherent low-rank matrix decomposition[J].IEEE Trans Image Process.2014,23(8):3294-3307.

[10]Quach K G,Duong C N,Bui T D.Sparse representation and low-rank approximation for robust face recognition[A].Borga M.International Conference on Pattern Recognition[C].Sweden:IEEE,2014.1330-1335.

[11]Pinto N,Cox D.High-throughput-derived biologically-inspired features for unconstrained face recognition[J].Image Vis Comput,2012,30:159-168.

[12]Ahonen T,Hadid A,Pietikainen M.Face description with local binary patterns:application to face recognition[J].IEEE Trans Pattern Anal Mach Intell,2006,28(12):2037-2041.

[13]Vu N S,Dee H M,Caplier A.Face recognition using the POEM descriptor[J].Pattern Recognit,2012,45:2478-2488.

[14]楊利平,辜小花.用于人臉識別的相對梯度直方圖特征描述[J].光學(xué)精密工程,2014,22(1):152-159.

Yang L P,Gu X H.Relative gradient histogram features for face recognition[J].Opt Precision Eng,2014,22(1):152-159.(in Chinese)

[15]Zhang T P,Tang Y Y,Fang B,et al..Face recognition under varying illumination using gradientfaces[J].IEEE Trans Image Process,2009,18(11):2599-2606.

[16]辜小花.基于視覺感知和邊緣保持的光照不變?nèi)四樧R別[J].電子學(xué)報,2013,41(8):1500-1505.

Gu X H.Visual perception and edge preserving illumination invariant face recognition[J].Acta Electronica Sinica,2013,41(8):1500-1505.(in Chinese)

[17]Lin Z C,Chen M M,Ma Y.The augmented Lagrange multiplier method for exact recovery of corrupted low-rank matrices[R].USA:UILU-ENG-09-2214,2010.

[18]Jie C,Zhang Y.Sparse representation for face recognition by discriminative low-rank matrix recovery[J].J Vis Commun Image R,2014,25(5):763-773.

楊利平 男，1981年生于內(nèi)蒙古鄂爾多斯.重慶大學(xué)光電工程學(xué)院副教授.研究方向?yàn)槟Ｊ阶R別、圖像復(fù)原、聲音信號處理.

E-mail:yanglp@cqu.edu.cn

李 武 男，1989年生于四川成都.碩士研究生,研究方向?yàn)槟Ｊ阶R別、圖像處理.

Low-Rank Relative Gradient Histogram Features for Illumination-Robust Face Recognition

YANG Li-ping,LI Wu

(KeyLaboratoryofOptoelectronicTechnologyandSystems(ChongqingUniversity),MinistryofEducation,Chongqing400044,China)

To further enhance the illumination robustness of facial gradient features,an illumination robust low-rank relative gradient histogram feature extraction method (LR-RGHF) is proposed based on the property that low-rank decomposition can separate the intrinsic characteristic and sparse noise of an image effectively.In the first place,the relative gradient magnitude image and gradient direction information of each pixel is obtained by doing relative gradient operation on face image.In the next place,in order to remove the edge error caused by uneven illumination distribution,the relative gradient magnitude image is decomposed into its low-rank component and sparse noise component using low-rank decomposition.Finally,the low-rank component of relative gradient magnitude image is decomposed into several sub images according to its gradient direction information,each of the sub images is then filtered and encoded using local binary pattern to form the LR-RGHF.Experimental on the classical FERET subset and representative illumination subsets,YaleB and PIE subsets,illustrated that the recognition performance of LR-RGHF outperforms the recognition performances of relative gradient histogram feature (RGHF),patterns of oriented edge magnitudes (POEM) and low rank facial feature.On YaleB subset,the recognition accuracies of LR-RGHF are at least 4% higher than RGHF.Experimental results demonstrate that LR-RGHF reveals strong illumination robustness for face recognition,especially for uneven illumination distribution.

face recognition;low-rank decomposition;relative gradient;illumination robustness

2015-02-13;

2015-05-07；責(zé)任編輯：藍(lán)紅杰

中央高?；究蒲袠I(yè)務(wù)費(fèi)專項(xiàng)(No.106112015CDJXY120013)

TP391.4

A

0372-2112 (2016)08-1940-07