武警工程大學(xué)研究生管理大隊 沈先耿 陳鏐蘊(yùn)

引言

基于稀疏表示分類[1]（Spar se Repr esent at i onbased Cl assif icat ion,SRC）是將壓縮感知理論應(yīng)用到人臉識別領(lǐng)域中，利用稀疏編碼作為提取人臉圖像特征的方法，而不是對人臉圖像的整體特征進(jìn)行空間映射。文獻(xiàn)[2]表明，該算法識別率魯棒性較好。但該方法也存在缺點(diǎn)[3]，一是該方法在識別時需要存儲所有的訓(xùn)練樣本圖像，因此這大大增加了系統(tǒng)負(fù)擔(dān)。二是稀疏表示是對獨(dú)立信號而言的，因此該方法只考慮到了信號內(nèi)的相關(guān)性，但并沒有考慮到同類信號間的相關(guān)性。

本文針對經(jīng)典的SRC算法存在的兩個缺陷，提出了一種改進(jìn)的基于分塊稀疏表示的人臉識別方法。該方法通過結(jié)構(gòu)化分塊方式[4]對人臉樣本進(jìn)行分塊，并對結(jié)構(gòu)化分塊的人臉樣本進(jìn)行稀疏表示。通過在ORL人臉庫中的對比實(shí)驗(yàn)，證明了該方法識別率較高，硬件需求較低，運(yùn)行時間較短且受樣本數(shù)量的影響較小，具有良好的識別性能。

1 算法步驟

在這里我們首先將人臉庫中的人臉圖像構(gòu)成超完備字典A。

其中Li為第i個人臉的平均特征矩陣，m為每類人臉的樣本數(shù)量。而后將得到的人臉平均特征矩陣構(gòu)成超完備字典H：

待測人臉圖像y可以用字典H中元素的線性組合來表示，即：

求解公式（1-5）在l0范數(shù)下的最優(yōu)化問題是一個NP難問題。為了降低計算復(fù)雜度，我們通常采用l1范數(shù)來代替l0范數(shù)求解，即求解在l1范數(shù)下的最優(yōu)化問題：

采用正交匹配追蹤算法來求解稀疏表示系數(shù)[5]。在求得測試樣本的稀疏表達(dá)后，可以根據(jù)求得的測試樣本的稀疏表達(dá)來判斷樣本的所屬類別，也就是計算出待測樣本y投影后的特征矩陣與每一類訓(xùn)練樣本特征矩陣的線性加權(quán)差 ，差值最小的類別則為待測樣本的所屬類別，其計算公式如下：

表2-1 ORL人臉庫中不同算法的識別率比較

2 算法仿真

本文的實(shí)驗(yàn)數(shù)據(jù)庫是ORL人臉庫。分別對SRC和本文算法進(jìn)行了5次實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果如表2-1所示。

本文對ORL人臉庫中的某個人臉采用兩種算法進(jìn)行人臉重構(gòu)，得到的重構(gòu)圖像如圖2-1所示。

圖2 -1 兩種算法的重構(gòu)圖像

從圖2-1中可以看出，本文算法的人臉重構(gòu)精度較高，魯棒性較好。從表2-1中可以看出，本文算法的識別率與經(jīng)典的SRC算法相比較高，且識別時間較短。證明了本文方法的有效性和實(shí)時性。

3 結(jié)論

本文提出了一種改進(jìn)的分塊稀疏表示的人臉識別算法，通過仿真實(shí)驗(yàn)可以看出本文算法識別率較高，硬件需求較低，運(yùn)行時間較短且受樣本數(shù)量的影響較小，具有良好的識別性能。

[1]李武軍,王崇駿,張煒,等.人臉識別研究綜述[J].模式識別與人工智能,2006,19(1),58-66.

[2]謝競,阮秋琦.利用引入瞳孔位置的Gabor小波網(wǎng)絡(luò)進(jìn)行人臉識別[J].信號處理,2009,25(2):221-227.

[3]Wright J,Yang A Y,Ma Yi,et al.Robust face recognition via sparse fepresentation[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2009,31(2):210-27.

[4]熊盛武,宗欣露,朱國鋒.改進(jìn)的基于AdaBoost算法的人臉檢測方法[J].計算機(jī)應(yīng)用研究,2007,24(11):298-300.

[5]唐旭晟,歐宗瑛,蘇鐵明,等.基于AdaBoost和遺傳算法的快速人臉定位算法[J].華南理工大學(xué)學(xué)報:自然科學(xué)版,2007,35(1):64-69.