基于圖像重構(gòu)和范數(shù)稀疏表示的人臉識別算法

曾軍英，趙曉曉，林作永，諶瑤，馮武林

?

曾軍英，趙曉曉，林作永，諶瑤，馮武林

（五邑大學 信息工程學院，廣東 江門 529020）

1 相關理論

1.1 圖像重構(gòu)

眾所周知，深度學習模型提取的特征可以較好地表達和描述人臉圖像. 本文通過深度學習模型提取特征，并利用提取的特征重構(gòu)圖像. 重構(gòu)圖像的深度網(wǎng)絡模型如圖1所示. 輸入圖像是任意姿態(tài)和光照的人臉圖像，深度網(wǎng)絡的特征提取層包括3個連接層和2個聚合層. 首先，輸入圖像通過特征提取層進行編碼，其中有3個本地連接層和2個聚合層交替堆疊. 每層在不同的尺度上提取人臉特征，如圖1中，第1連接層輸出32個特征映射. 每張圖像在人臉區(qū)域外都有大量的強烈響應，主要捕獲人臉姿態(tài)、光照信息，而在人臉區(qū)域內(nèi)的一些強烈響應用于捕捉人臉結(jié)構(gòu). 在輸出特征映射的第2局部連接層，強烈響應的人臉區(qū)域已顯著減少，表明丟棄了人臉大部分差異而保持面部結(jié)構(gòu). 第3本地連接層輸出重構(gòu)特征，該特征是稀疏的并且保持身份特征，而且使用一個完全連接的重建層，重構(gòu)特征可以恢復標準視圖的人臉圖像.

圖1 圖像重構(gòu)模型

1.2 稀疏表示

由于從式（5）得到的解還包含多類人臉的系數(shù)，故可將測試人臉樣本的類別修正為式（7），即

1.3 平滑算法

2 實驗結(jié)果與分析

實驗平臺為主頻2GHz的中央處理器、4GB內(nèi)存，MATLAB7.6版本，Windows 7系統(tǒng).

圖2 FERET人臉數(shù)據(jù)庫部分人臉圖像

2.1 重構(gòu)人臉圖像的識別率

表1 不同方法對重構(gòu)圖像和原始圖像的識別率 %

2.2 平滑算法的識別時間

表2 不同方法和不同維度值的識別時間 s

3 結(jié)論

本文提出了基于圖像重構(gòu)和平滑0范數(shù)稀疏表示分類的人臉識別算法. 基于FERET人臉數(shù)據(jù)庫的實驗結(jié)果表明，利用標準重構(gòu)的圖像可提高傳統(tǒng)算法在人臉姿態(tài)變化大的情況下的識別性能；采用平滑0快速稀疏算法可減少識別時間. 相比于直接提取人臉特征或人臉Gabor特征算法，本算法識別率顯著提高，特別是在姿態(tài)變化較大或者光照復雜的情況下，仍能保持較高的人臉識別率和識別效率. 下一步將進一步研究深度學習算法應用到實際的視頻圖像和網(wǎng)絡圖像中.

[1] KRIZHEVSKY A, International Conference on HINTON G E, SUTSKEVER I. Imagenet classification with deep convolutional neural networks [C]//Neural Information Processing Systems, 2012, 1097-1105.

[2] ZHU Zhenyao, LUO Ping, WANG Xiaogang, et al. Deep learning identity-preserving face space [C]//IEEE International Conference on Computer Vision. IEEE, 2013: 113-120.

[3] WRIGHT J, YANG A Y, GANESH A, et al. Robust face recognition via sparse representation [J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2009, 31(2): 210-227.

[5] ETEMAD K, CHELLAPPA R. Discriminant analysis for recognition of human face images [J]. J Opt Soc Am A, 1997, 14(14): 125-142.

[6] BARTLETT M, MOVELLAN J, SEJNOWSKI T. Face recognition by independent component analysis [J]. IEEE Transactions on Neural Networks, 2002, 13(6): 1450-1464.

[7] YANG M, ZHANG L, ZHANG D, et al. Relaxed collaborative representation for pattern classification [J]. Computer Vision and Pattern Recognition, 2012, 157(10): 2224-2231.

[10] CHAI Zhenhua, SUN Zhenan, MENDEZ-VAZQUES H, et al. Gabor ordinal measures for face recognition [J]. IEEE Transactions on Information Forensics and Security, 2013, 9(1): 14-26.

[11] YANG M, ZHANG L. Gabor feature based sparse representation for face recognition with Gabor occlusion dictionary [C]//Computer Vision-ECCV 2010. Greece: European Conference on Computer Vision, 2010: 6316(7): 448-461.

[12] HUANG G B, LEE H, LEARNED-MILLER. Learning hierarchical representations for face verification with convolutional deep belief networks [C]//Computer Vision and Pattern Recognition. Rhode Island: IEEE, 2012: 2518-2525.

[責任編輯：熊玉濤]

ZENGJun-ying, ZHAOXiao-xiao, LINZuo-yong, SHENYao, FENGWu-lin

(School of Information Engineering, Wuyi University, Jiangmen 529020, China)

1006-7302（2018）02-0018-05

TP391.4

A

2017-11-27

廣東高等學校優(yōu)秀青年培養(yǎng)計劃項目（SYQ2014001）；廣東省特色創(chuàng)新類項目（2015KTSCX143）；廣東省青年創(chuàng)新人才類項目（2015KQNCX165，2015KQNCX172）.

曾軍英（1977—），男，江西贛州人，副教授，博士，碩士生導師，研究方向為生物特征識別、深度學習和信息處理.