《基于层间稀疏差的遮挡人脸识别》-工学论文，计算机论文-论文范文参考-科学狗论文网

标题

基于层间稀疏差的遮挡人脸识别

范文

赵淑欢张德智关立伟

摘要：为提高无遮挡训练字典下遮挡人脸识别算法性能，提出一种层间稀疏差遮挡检测算法。首先将图像分为四个父模块，并计算各模块的稀疏度;其次，将各模块再划分成两个子模块，计算稀疏度;再次，计算父模块与子模块的稀疏差，估计遮挡子模块;最后，在非遮挡模块上利用SRC进行识别。在AR、Yale B数据库上的实验结果证明了该算法的有效性及鲁棒性。

关键词：人脸识别;遮挡检测;稀疏表示;稀疏度;局部表示

中图分类号：TP18 文献标识码：A

文章编号：1009-3044（2019）31-0218-03

人脸识别是近些年研究热点之一，经典算法包括PCA，LDA，SVM等。稀疏表示（SRC）算法因其在图像处理中的优良性能获得广泛关注，其拓展算法不断提高不同情况下的图像处理性能，例如SSPf稀疏保留投影：spamity preserving projec-tions）可用于无监督情况下的维数约减，同时保留稀疏重构权重，在人脸认证上取得良好效果。遮挡情况下以上算法性能严重下降，为此，Meng Yang等人提出利用样本间的差值图对字典扩展，以提高遮挡人脸识别性能。文献【5】采用Gabor特征进行稀疏表示分类，获得更紧致的遮挡字典，同时降低计算复杂度。此外，文献【6】采用结构不相干的低秩矩阵分解算法进行人脸识别。

以上算法均要求训练字典中包含遮挡样本，若字典中无遮挡样本则算法失败。为此，文献【7】提出RSC（Robust sparse cod-ing）寻找稀疏编码的最大似然估计值，增强SRC的鲁棒性。文献[8]提出WGSR（modular weighted global sparse representation），将样本分成多个模块，利用稀疏度和残差计算每个模块的可靠度并作为权值，最后利用模块加权后的样本进行重构有分类，提高了遮挡人脸识别的性能。

为解决字典无遮挡样本时的遮挡人脸识别问题，本文提出基于双层稀疏差的遮挡人脸识别算法（occluded face recognitionBased on double layer module sparsity difference：FR_DLMSD））。该算法将样本进行双层分割，并计算层间的稀疏差，以此估计遮挡模块，并在非遮挡模块上进行分类识别。

1层间稀疏差遮挡检测

2实验

为验证本文算法的有效性在AR和Yale B数据集上进行实验，选用SRC，SPP，NN和NFS作对比算法。

2.1AR

选用AR数据库上119人的人脸图像进行实验，每人7张无遮挡图像用作训练样本构成训练字典，选用每人3张围巾遮挡和3张墨镜遮挡图像作测试样本。人脸图像中同时包含了表情光照等变化，图2为部分AR数据库的图片，其中第一行为选取的训练样本，第二行为选取的测试样本。实验中利用下采样对所有样本进行降维。因图片采自两个不同的时期，因此分别在这两个时期的样本上进行实验并将均值作为最终的实验结果。

墨镜遮挡情况下的识别结果如图3所示，与对比算法相比可知本文算法的识别率略高于其他算法。其中一个原因是遮挡比例较低，判别性信息损失较少因此算法间的性能差异不是很大。而全局算法SRC不能很好地捕获判别性信息因此其识别率较低。

围巾遮挡下各算法的识别率如表1所示，因围巾遮挡比例明显高于墨镜遮挡比例，图像中的判别性信息损失较为严重，因此围巾遮挡下各算法的识别率均低于墨镜遮挡下各算法的识别率，尤其是SPP，SRC，NN和NFS算法的性能下降严重，说明这些算法对遮挡敏感。同时说明遮挡改变了数据分布，因此全局算法不再适用。本文算法将图像进行父子模块分割并进行遮挡估计因此可获得良好的识别性能，其识别率较对比算法提高了30%，证明了本文算法的有效性。

2.2Yale B

Yale B数据库包含38个人不同光照条件下的人脸正面照，本实验随机选用每人的7张图像作训练样本，选用3张图像并人为加上一定比例的遮擋作测试样本，部分样本如图4所示。选用不同的训练及测试样本，重复试验5次，记录均值作为最终的测试结果。图5-图7为不同算法在不同遮挡比例下的识别结果对比。

从试验结果可以看出随着遮挡比例的不断提升，SRC的性能严重下降，尤其是当遮挡比例为50%时。当遮挡比例为30%时SPP的性能低于本文算法，但高于SRC算法性能。当遮挡比例为50%时SPP的识别率仍高于SRC算法，但当遮挡率为70%时SPP性能低于SRC，说明SPP、SRC算法性能对遮挡敏感。随着遮挡比例的不断提升各算法性能均下降，但本文算法在各种情况下的识别率仍高于对比算法。

从图5中可以看出本文算法性能明显优于对比算法，其次是SPP算法，可见SRC算法并不适用于遮挡图像识别。即使遮挡率为70%本文算法的识别率仍保持在70%以上而对比算法识别率为20%左右。

根据图5一图7可知本文算法可获得更好的识别性能，对遮挡更具鲁棒性。

各算法的运行时间如图8所示，可知SRC所用时间最短。当维数低于600时本文算法和SPP算法的运行时间相近，随着样本维数的增加本文算法的运行时间上升但仍在可接受范围内。

3结论

为提高无遮挡样本的字典识别遮挡样本的识别性能，本文提出一种基于层间稀疏差的遮挡模块估计算法，根据父子模块的稀疏度差值检测出遮挡样本并利用SRC算法仅在非遮挡样本下进行识别进而提高识别性能，与SPP，SRC，NN，NFS算法在AR和Yale B数据库上的对比试验验证了本文算法的有效性和鲁棒性。

随便看

科学优质学术资源、百科知识分享平台，免费提供知识科普、生活经验分享、中外学术论文、各类范文、学术文献、教学资料、学术期刊、会议、报纸、杂志、工具书等各类资源检索、在线阅读和软件app下载服务。