基于圖像分塊稀疏表示的人臉識別算法研究

陳 暉

(福建信息職業(yè)技術(shù)學(xué)院 計算機(jī)工程系，福州 350001)

基于稀疏表示的分類算法，經(jīng)過一系列的研究與實驗，被成功應(yīng)用于人臉識別系統(tǒng)的構(gòu)建過程中，基本原理就是將測試樣本圖像表示為訓(xùn)練樣本的線性組合.這種方法的應(yīng)用，使得人臉識別技術(shù)能夠更好的應(yīng)對光照、表情變化以及部分遮擋等對識別效果造成的不良影響，顯示出較高的魯棒性.另有Deng等人，基于這種分類算法，提出了一種原型加變差的表示模型，對單樣本人臉識別的問題進(jìn)行了有效解決，而本文則在此基礎(chǔ)上，將其與分塊處理思想融合，強(qiáng)化局部特征的作用，從而提升技術(shù)應(yīng)用效果.

1 基于稀疏表示的人臉識別算法概述

基于稀疏表示的人臉識別算法，首先要進(jìn)行字典的構(gòu)造，完備字典的基本元素，就是訓(xùn)練集本身；然后進(jìn)行測試樣本以及稀疏表示分類，當(dāng)每一類都具有足夠的訓(xùn)練樣本時，通過同類別的樣本的線性組合，即可對測試樣本進(jìn)行表示，最終得到最稀疏的測試樣本的線性組合；將最稀疏的測試樣本的線性組合，通過最小l1范數(shù)進(jìn)行重購；最后通過隨機(jī)特征提取，進(jìn)一步判斷測試樣本與各類之間的殘差大小，從而有效確定識別標(biāo)簽[1].

充分利用稀疏表示的判別性，在人臉識別的過程中，任意的測試樣本都可以從字典中的訓(xùn)練集表示獲得，進(jìn)一步通過稀疏系數(shù)求解殘差，即可獲得識別標(biāo)簽.字典的構(gòu)造過程如下：

結(jié)合表示理論，能夠進(jìn)一步得到測試樣本y的線性組合：

2 基于圖像分塊稀疏表示的人臉識別算法對比

2.1 基于非重疊分塊的加權(quán)稀疏表示算法

在人臉識別技術(shù)的初期研究過程中，研究人員嘗試采用了多種基于稀疏表示的衍生算法，但在一些特定的環(huán)境當(dāng)中，如人臉圖像連續(xù)性遮擋等，相關(guān)算法并不能對其進(jìn)行有效處理.所以，在后續(xù)的研究中，研究人員轉(zhuǎn)變技術(shù)方向，將稀疏表示分類(SRC)與人臉圖像非重疊分塊方法相融合.這一新的算法，可以實現(xiàn)將人臉圖像進(jìn)行非重疊式分塊處理，進(jìn)而對所得的數(shù)塊圖像，分別進(jìn)行加權(quán)，最終重新構(gòu)建一個新的人臉特征組合，確定識別標(biāo)簽.該算法的具體處理過程如下：

2)設(shè)計加權(quán)系數(shù).將測試圖片的模塊視為字典中Ak的線性組合，即：yk=Akxk.這種表示方式是一種欠定系統(tǒng)，其目的就是獲得一個穩(wěn)定的、唯一的解.

算法運(yùn)行過程中，需要同步加入l1和l2范數(shù)的約束條件，相應(yīng)的優(yōu)化問題，一般表示為：

由此可見，基于非重疊分塊的加權(quán)稀疏表示算法，能夠緩解圖片當(dāng)中遮擋、光照或表情變化等所帶來的識別不準(zhǔn)確問題，相對于單一的基于稀疏表示的分類算法的人臉識別技術(shù)，相應(yīng)的識別效果得到了一定的提升.

筆者將上述算法的運(yùn)用效果，與現(xiàn)有的幾種算法的應(yīng)用效果進(jìn)行了對比，在不同像素尺寸下，各個算法的識別率如表1所示.通過對比結(jié)果能夠發(fā)現(xiàn)，當(dāng)圖像的尺寸增大到80*64時，其余算法的識別效果都相應(yīng)提升，而模塊加權(quán)算法自始至終，都能夠保持較高的識別率.

表1 不同像素尺寸下人臉識別算法的識別率

2.2 基于圖像重構(gòu)和哈希的人臉識別算法

基于圖像重構(gòu)的人臉識別方法的基本原理，即利用多輸入圖像之間的相關(guān)性，將目標(biāo)圖像進(jìn)行重構(gòu)，形成一幅更具代表性的圖片.此時，隨著訓(xùn)練數(shù)據(jù)或圖像位數(shù)的增加，人臉識別算法的運(yùn)算速率會大大降低.為此，引入哈希算法，將其與基于圖像系數(shù)表示的人臉識別算法相融合，能夠綜合提升人臉識別效果與識別速度[2].

基于圖像重構(gòu)和哈希的人臉識別算法，主要涉及到三方面的工作內(nèi)容如下：

1)組稀疏編碼.針對這一問題，可以利用一組目標(biāo)函數(shù)，來實現(xiàn)對分類問題的有效求解：

ζ(a,x;Y,D)=‖Ya-Dx‖2+λψ(x)

在算法應(yīng)用過程中，從字典當(dāng)中獲取的測試樣本為y1，y2，…，yk；Y=[y1，y2，…，yk].a表示k維的向量，且a=[a1，a2，…，ak]T，其中，a1+a2+…+ak=1，a1，a2，…，ak均大于0.x表示稀疏系數(shù)向量，且x≠0；D表示訓(xùn)練矩陣.

在算法運(yùn)算過程中，向量a將多輸入樣本結(jié)合在一起之后，即可形成一個新的圖像向量，新向量的維數(shù)等同于多輸入樣本的維數(shù).

圖1 圖像不分塊示意圖

圖2 圖像分成4塊示意圖

運(yùn)算實現(xiàn)時，可借助Hash矩陣，將最初獲取到的高維數(shù)據(jù)矩陣，映射到一個低維的數(shù)據(jù)空間中，確保在新的環(huán)境中，數(shù)據(jù)僅為{0，+1，-1}，在為算法的應(yīng)用降低計算量的同時，也就相應(yīng)提高了算法的運(yùn)算效率[3].

2.3 基于低秩分塊稀疏表示的人臉識別算法

基于低秩分塊稀疏表示的人臉識別算法的核心，是一種新的結(jié)構(gòu)不相關(guān)的低秩矩陣恢復(fù)方法.此外，還進(jìn)一步結(jié)合了離散余弦變換方法.兩種方法的綜合運(yùn)用，能夠有效解決人臉識別過程中，人臉圖像中存在的遮擋或光照等問題；算法運(yùn)用過程中，還會采用一種重疊分塊方法，主要作用是利用冗余信息提高算法的識別率；分類時所采用的alignment pooling的方法，也能在一定程度上提高算法的識別速度.

低秩矩陣恢復(fù)在解決稀疏噪聲方面，具有較大的作用.利用低秩矩陣恢復(fù)技術(shù)，其主要目的是將訓(xùn)練集的數(shù)據(jù)矩陣D分解生成A+E的形式，其中A表示的是低秩矩陣，而E表示的是分解后的稀疏誤差[4].對傳統(tǒng)的低秩矩陣恢復(fù)進(jìn)行一定的優(yōu)化處理，可對如下公式進(jìn)行求解，從而使低秩矩陣恢復(fù)變得更易于處理：

式中，‖A‖*表示的是矩陣A秩的近似值，為核范數(shù)；而一范數(shù)‖E‖1代替了原本的零范數(shù)‖E‖0.對于這一問題進(jìn)行求解，其中的關(guān)鍵就在于對于矩陣A的秩的控制.當(dāng)矩陣A的秩不是很大時，矩陣E也就足夠稀疏，此時結(jié)合增廣拉格朗日乘法，能夠提高對低秩矩陣近似問題的求解效率.

而離散余弦變換的應(yīng)用，能夠有效提升人臉識別算法的能量聚焦性，在實際識別圖像的過程中，能夠?qū)D像從空間域變換到頻域當(dāng)中.此時，絕大多數(shù)的圖像信號能量，也就被集中在了變換域的少數(shù)系數(shù)上[5].基于此種技術(shù)原理，在進(jìn)行圖像識別時，目標(biāo)圖像受到了光照的影響，在開始識別之前，僅需要修改少量的頻域系數(shù)，就可以做到調(diào)整圖像光照的效果，從而降低算法識別過程中，相應(yīng)的需要調(diào)節(jié)的參數(shù).

算法當(dāng)中的人臉重疊分塊與識別，其實現(xiàn)過程如下：

1)人臉重疊分塊的實現(xiàn).基于低秩分塊稀疏表示的人臉識別算法，其中包含的基于稀疏表示的人臉識別算法認(rèn)為，每一個目標(biāo)圖片，都是字典當(dāng)中訓(xùn)練圖片集的線性組合.相關(guān)稀疏編碼問題的解決過程如下：

將測試圖片的模塊視為字典中Ak的線性組合，則對任意一個測試模塊yk都有：yk=Akxk.這種表示方式是一種欠定系統(tǒng)，其目的就是獲得一個穩(wěn)定的、唯一的解.

綜合對比多種算法的應(yīng)用效果，在不同像素尺寸下，各個算法的識別率如表2所示.通過對比能夠清楚的認(rèn)識到，對于小圖像來說，人臉特征相對較為缺乏，所以模塊化的識別方法，要比全局化的識別方法差一些.但上述利用人臉圖像當(dāng)中重疊部分的冗余信息，能夠有效提升其識別率.通過對比，能夠得出基于低秩分塊稀疏表示的人臉識別算法，對于不同像素尺寸的圖像，都能實現(xiàn)較高的識別效果.

表2 不同像素尺寸下人臉識別算法的識別率

3 人臉識別系統(tǒng)在安防監(jiān)控中的應(yīng)用

3.1 人臉識別系統(tǒng)應(yīng)用在安防監(jiān)控中的可行性分析

基于圖像分塊稀疏表示的人臉識別算法作為生物識別領(lǐng)域的尖端技術(shù)，將其與安防監(jiān)控相結(jié)合，能夠有效解決現(xiàn)階段視頻安防監(jiān)控中的多種問題，包括無法實時確定監(jiān)控場景實物、無法鎖定監(jiān)控對象、無法準(zhǔn)確識別監(jiān)控對象、未能實現(xiàn)智能化檢索等.從技術(shù)的角度分析，基于圖像分塊稀疏表示的人臉識別算法，能夠支撐對大量圖像數(shù)據(jù)的識別與檢索，且成功解決了光照、表情變化、遮擋等問題，將其應(yīng)用于視頻安防監(jiān)控系統(tǒng)當(dāng)中，能夠有效完成對生物特征的提取，以及相關(guān)圖像信息的比對.

3.2 人臉識別系統(tǒng)在安防監(jiān)控中的應(yīng)用實例

以某博物館為例，該博物館將人臉識別系統(tǒng)嵌入在視頻安防系統(tǒng)當(dāng)中，重新構(gòu)建了一個視頻人臉預(yù)警及檢索系統(tǒng).系統(tǒng)的運(yùn)行過程中，可以對到館參觀的人員進(jìn)行全面的、有效的人臉采集；在采集的基礎(chǔ)上，若有被識別的參觀人員，在30 d內(nèi)第二次到館參觀，則系統(tǒng)可以自動識別出相關(guān)的人臉特征；當(dāng)同一人員第三次到館參觀時，系統(tǒng)會在預(yù)警響應(yīng)時間內(nèi)，通過系統(tǒng)管理發(fā)布相應(yīng)的預(yù)警信息，同時將參觀人員的人臉特征呈現(xiàn)在交互界面上；準(zhǔn)確識別預(yù)警人員之后，系統(tǒng)還能進(jìn)一步將其前兩次的到館參觀信息通過檢索調(diào)出，并與公安系統(tǒng)或有關(guān)部門的黑名單人員進(jìn)行綜合比對[6].

3.3 人臉識別系統(tǒng)在安防監(jiān)控中的應(yīng)用前景

現(xiàn)階段，人臉識別系統(tǒng)的應(yīng)用范圍包括情報領(lǐng)域、戶政管理、種族比對等，除相關(guān)以身份識別為核心的生物特征識別市場，隨著人臉識別技術(shù)水平的不斷提升，人臉識別技術(shù)逐漸被應(yīng)用在多種數(shù)字產(chǎn)品當(dāng)中，包括數(shù)碼相機(jī)、手機(jī)攝像頭等.由此可見，人臉識別技術(shù)的應(yīng)用前景十分廣泛，而隨著社會背景的變化，其應(yīng)用將呈現(xiàn)為多樣化的發(fā)展趨勢，包括網(wǎng)絡(luò)化趨勢、融合趨勢以及快速發(fā)展趨勢.以人臉識別系統(tǒng)為媒介，將進(jìn)一步促進(jìn)“身份識別+物聯(lián)網(wǎng)”的認(rèn)證模式；另外，隨著社會對于這一技術(shù)的需求標(biāo)準(zhǔn)越來越高，人臉識別系統(tǒng)將逐漸與其他技術(shù)進(jìn)行有機(jī)融合，綜合提升相關(guān)技術(shù)應(yīng)用的整體安全性，提高安防效果.

綜上所述，探究基于圖像分塊稀疏表示的人臉識別算法，對綜合提升人臉識別技術(shù)水平及應(yīng)用效果具有重要意義.通過相關(guān)分析，基于圖像分塊稀疏表示的人臉識別算法，對于不可控環(huán)境下拍攝的人臉圖片的識別效果更好，進(jìn)一步強(qiáng)化了系統(tǒng)對局部人臉特征的識別作用.這樣一來，系統(tǒng)能夠更好地應(yīng)對光照、部分遮擋等對識別效果的影響.