基于圖像重構(gòu)和范數(shù)稀疏表示的人臉識(shí)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(xué) 信息工程學(xué)院，廣東 江門 529020）

1 相關(guān)理論

1.1 圖像重構(gòu)

眾所周知，深度學(xué)習(xí)模型提取的特征可以較好地表達(dá)和描述人臉圖像. 本文通過深度學(xué)習(xí)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(luò)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(luò)的特征提取層包括3個(gè)連接層和2個(gè)聚合層. 首先，輸入圖像通過特征提取層進(jìn)行編碼，其中有3個(gè)本地連接層和2個(gè)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(gè)特征映射. 每張圖像在人臉區(qū)域外都有大量的強(qiáng)烈響應(yīng)，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(qiáng)烈響應(yīng)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(qiáng)烈響應(yīng)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(gè)完全連接的重建層，重構(gòu)特征可以恢復(fù)標(biāo)準(zhǔn)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(cè)試人臉樣本的類別修正為式（7），即

1.3 平滑算法

2 實(shí)驗(yàn)結(jié)果與分析

實(shí)驗(yàn)平臺(tái)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(shí)別率

表1 不同方法對(duì)重構(gòu)圖像和原始圖像的識(shí)別率 %

2.2 平滑算法的識(shí)別時(shí)間

表2 不同方法和不同維度值的識(shí)別時(shí)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(shí)別算法. 基于FERET人臉數(shù)據(jù)庫的實(shí)驗(yàn)結(jié)果表明，利用標(biāo)準(zhǔn)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(shí)別性能；采用平滑0快速稀疏算法可減少識(shí)別時(shí)間. 相比于直接提取人臉特征或人臉Gabor特征算法，本算法識(shí)別率顯著提高，特別是在姿態(tài)變化較大或者光照復(fù)雜的情況下，仍能保持較高的人臉識(shí)別率和識(shí)別效率. 下一步將進(jìn)一步研究深度學(xué)習(xí)算法應(yīng)用到實(shí)際的視頻圖像和網(wǎng)絡(luò)圖像中.

[1] KRIZHEVSKY A, International Conference on HINTON G E, SUTSKEVER I. Imagenet classification with deep convolutional neural networks [C]// International Conference on 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(zé)任編輯：熊玉濤]

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

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

TP391.4

A

1006-7302（2018）02-0018-05

2017-11-27

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

曾軍英（1977—），男，江西贛州人，副教授，博士，碩士生導(dǎo)師，研究方向?yàn)樯锾卣髯R(shí)別、深度學(xué)習(xí)和信息處理.