鄭俊偉

（四川大學(xué)計算機學(xué)院，成都 610065）

0 引言

人臉識別技術(shù)是近年來被廣泛研究的熱點之一，人臉識別技術(shù)利用從人臉圖像提取有效的特征，然后將這些特征信息與數(shù)據(jù)庫中的人臉信息進(jìn)行搜索比對，從而判斷這個人的身份信息。近幾年稀疏表示受到越來越多的關(guān)注，并且被應(yīng)用于計算機視覺領(lǐng)域中。尤其是在Wright等人提出的稀疏表示分類方法[1]在人臉識別的應(yīng)用中取得了很好的識別效果后。稀疏表示分類算法（SRC算法）是近年來新出現(xiàn)的一種人臉識別算法。它的基本思想是給定一個測試樣本，然后得到該樣本在所有訓(xùn)練樣本構(gòu)成的字典上的稀疏系數(shù)，之后利用稀疏系數(shù)與訓(xùn)練樣本重構(gòu)測試樣本，最后將測試樣本分配給重構(gòu)誤差最小的類別。SRC算法可以直接利用原始像素進(jìn)行人臉識別，從而避免了預(yù)處理的過程。除此之外，SRC算法對表情變化、圖像遮擋具有一定程度的魯棒性。但是，在將稀疏表示人臉識別算法應(yīng)用于實際中，常常需要在兩個方面進(jìn)行改進(jìn)。首先，是要突破人臉圖像對齊的假設(shè)，因為在實際環(huán)境中人臉的圖像是不對齊。但是更重要的是，在實際環(huán)境中，常常會發(fā)現(xiàn)可用的訓(xùn)練樣本非常稀少。為此，大量的學(xué)者進(jìn)行了各種各樣的嘗試，并提出了許多產(chǎn)生虛擬樣本的方案[2-15]。其中一種方案是利用原始訓(xùn)練樣本和鏡像樣本來進(jìn)行人臉識別。首先利用原始訓(xùn)練樣本生成相應(yīng)的鏡像樣本。然后將原始訓(xùn)練樣本和相應(yīng)的鏡像樣本結(jié)合產(chǎn)生一個新的訓(xùn)練樣本，用于人臉識別。該方法讓可用的訓(xùn)練樣本數(shù)變?yōu)樵瓉淼膬杀?。實驗結(jié)果表明，該方法不僅克服樣本稀少的問題，而且克服了人臉圖像的不對齊問題，并且在一定程度上消除了人臉圖像的姿態(tài)變化和光照變化的不利影響。另一種方案是先將人臉分成兩個大小相同的兩半。然后利用每一半分別產(chǎn)生一張“對稱”的虛擬臉。從而讓訓(xùn)練樣本的數(shù)目變成原來的三倍。本文主要針對SRC算法在實際應(yīng)用中，可用的訓(xùn)練樣本少導(dǎo)致識別率低而提出的解決方案。文獻(xiàn)[16]提出一種基于多重表示的圖像分類新方法，該方法能夠為原始訓(xùn)練樣本產(chǎn)生新的表示。并且能用圖片新的表示提高圖像分類的精度。

1 稀疏表示分類算法

SRC算法的基本思想如下[1]：

假設(shè)第i類有足夠的訓(xùn)練樣本，樣本圖像大小為w×h，第i類有ni個訓(xùn)練樣本，把這ni個訓(xùn)練樣本數(shù)據(jù)變 成 列 向 量 ，組 成 矩 陣 Ai, 即 Ai=[υi,1,υi,2,…,υi,n]∈Rm×ni，m=w×h。給定一幅新的第 i類的圖像y∈Rm，則y可以由第i類的所有訓(xùn)練樣本近似線性表示：

其中，ai,j為標(biāo)量，j=1,2,…,ni。

由于在識別之前y的類別未知，所以定義一個由所有類別的訓(xùn)練樣本組成的矩陣A，假設(shè)訓(xùn)練樣本有C個類，一共 n個，即則：

如果用A來表示y，那么式（1）可以重寫為：

x0=[0,…,0,ai,1,ai,2,…,ai,n,…,0,…,0]T∈ Rm×ni為系數(shù)向量，即與第i類對應(yīng)的系數(shù)非零，而其他系數(shù)均為零。

在稀疏表示中，通常求解最小化ι1范數(shù)問題：

在圖像受到小的噪聲影響時，上式可以修改為：

其中，ε>0是誤差容忍度。

式（5）可以轉(zhuǎn)化為帶ι1數(shù)約束的最小二乘問題：

其中，λ>0是正則化參數(shù)，用來平衡重構(gòu)誤差和稀疏性。當(dāng)通過求解式（5）或式（6）得到稀疏系數(shù)時，基于重構(gòu)樣本和測試樣本之間的殘差來對測試樣本進(jìn)行分類。對于第i類樣本，假設(shè) βi：Rm→Rm為特征函數(shù)，它選擇與第i類相關(guān)的系數(shù)，即對于x∈Rm，δi（x）∈Rm是一個新的向量，這個向量中的非零元素對應(yīng)x中與第i類相關(guān)的元素，而對應(yīng)其它類的系數(shù)為0。使用δi()和訓(xùn)練樣本組成的矩陣A，可以得到重構(gòu)樣本。然后就可以把測試樣本分在最小重構(gòu)誤差對應(yīng)的類別中：

稀疏表示分類（SRC）算法的流程如下：

（1）輸入：由C類訓(xùn)練樣本組成的矩陣A=[A1,A2,…,AC] ∈Rm×n，測試樣本 y∈Rm（可選參數(shù)：容忍誤差ε>0）；

（2）將y和A的列向量單位化；

（3）求解（5）或（6）；

輸出：測試樣本的類別identity(y)=argmiinri(y)。

2 改進(jìn)的SRC算法

在文獻(xiàn)[16]中提出了一種基于多重表示的圖像分類新方法。該方法能夠為原始訓(xùn)練樣本產(chǎn)生新的圖像表示。當(dāng)將圖片的新表示與原始訓(xùn)練樣本相結(jié)合用于圖像分類時，能夠有效提高圖像分類的精度。其定義如下

其中m=255，Iij表示圖像I在第i行、第j列的像素的灰度值，而Jij表示圖像J在第i行、第j列的像素的灰度值。受到以上模型的啟發(fā)，本文提出了一種通過使用常數(shù)矩陣來獲得圖像新表示的方法。算法的模型如下：

假設(shè)存在C個類，每個類有n個樣本，樣本圖像的大小為w×h。則算法的具體流程如下：

（1）輸入：由C個類別的訓(xùn)練樣本組成的矩陣A=[A1,A2,…,AC] ∈Rm×n,常量系數(shù) a；

（2）通過常量a與式子（9）計算得到常數(shù)矩陣B，其中常數(shù)矩陣為w行h列的矩陣；

（3）將常數(shù)矩陣B與每個訓(xùn)練樣本A（ii=1,2,…,C）相加,獲得新的樣本，將新樣本組成矩陣，其中用表示增強后的樣本；

（4）將A與A'整合成一個新的訓(xùn)練樣本，然后將其應(yīng)用于SRC算法中；

（5）輸出：測試樣本的類別：identity(y)=argmiin ri(y)。

3 實驗驗證與分析

3.1 改進(jìn)方法有效性驗證

由前面關(guān)于SRC算法的介紹可知，SRC算法會將測試樣本分到最小重構(gòu)誤差對應(yīng)的類別。因此，重構(gòu)誤差反映了測試樣本與類別的相關(guān)程度。即誤差越小，相關(guān)程度越高。

在這一小節(jié)將使用ORL人臉數(shù)據(jù)庫和COIL人臉數(shù)據(jù)庫進(jìn)行實驗，用于驗證本文所提出的改進(jìn)方法能提高算法的識別率。在實驗中，取數(shù)據(jù)庫第一個人的某張圖片做為測試樣本，然后分別使用SRC算法與改進(jìn)后的SRC算法，計算該圖片與數(shù)據(jù)庫中各個人的誤差值。圖1展現(xiàn)了基于ORL人臉數(shù)據(jù)庫進(jìn)行實驗的結(jié)果。圖2展現(xiàn)了基于COIL人臉數(shù)據(jù)庫進(jìn)行實驗的結(jié)果。

圖1 使用ORL人臉數(shù)據(jù)庫進(jìn)行實驗的結(jié)果

圖2 使用COIL人臉數(shù)據(jù)庫進(jìn)行實驗的結(jié)果

3.2 改進(jìn)方案通用性驗證

本小節(jié)通過實驗來驗證本文所提出方法的通用性。在實驗中，除了通過SRC算法進(jìn)行對比實驗之外，還使用 CRC 算法[17-20]、LRC 算法[21-24]、CFKNNC 算法[25]和INNC算法[26]進(jìn)行對比實驗。使用的人臉數(shù)據(jù)庫有ORL人臉庫、FERET人臉庫、AR人臉庫和COIL人臉庫。

（1）ORL人臉庫

ORL是一個基于表情和姿態(tài)變化的人臉數(shù)據(jù)庫，該數(shù)據(jù)庫擁有400張人臉圖片，它們由40個人，每個人10張不同姿態(tài)和表情的人臉圖像組成。在實驗中，選擇每個人的前4張圖片作為訓(xùn)練樣本，而其余的作為測試樣本。這里所選擇的常數(shù)系數(shù)為a=10。圖3展現(xiàn)了ORL人臉數(shù)據(jù)庫的部分訓(xùn)練樣本與測試樣本。表1展現(xiàn)了本文所提方法在不同算法上進(jìn)行對比實驗所得到的識別率。

（2）FERET人臉庫

FERET人臉數(shù)據(jù)庫總共擁有1400張人臉圖像，包括200個人的數(shù)據(jù)，由每個人的7張不同光照和姿態(tài)的圖像構(gòu)成。在實驗中，選擇每個人的前4張圖片作為訓(xùn)練樣本，而將其余的作為測試樣本。這里所選擇的常數(shù)系數(shù)為a=10。圖4展現(xiàn)了FERET人臉數(shù)據(jù)庫的部分訓(xùn)練樣本與測試樣本。表2展現(xiàn)了本文所提方法在不同算法上進(jìn)行對比實驗所得到的識別率。

圖3 ORL人臉數(shù)據(jù)庫的部分訓(xùn)練樣本

表1 基于ORL人臉數(shù)據(jù)庫的實驗結(jié)果

圖4 基于FERET人臉數(shù)據(jù)庫的部分訓(xùn)練樣本

表2 基于FERET人臉數(shù)據(jù)庫的實驗結(jié)果

（3）AR人臉庫

AR人臉數(shù)據(jù)庫擁有超過4000張的人臉圖像，包括126個人的數(shù)據(jù)，由每個人的不同光照、尺度和姿態(tài)的圖像構(gòu)成。在實驗中，選擇每個人的前4張圖片作為訓(xùn)練樣本，而將其余的作為測試樣本。這里所選擇的常數(shù)系數(shù)為a=10。圖5展現(xiàn)了AR人臉數(shù)據(jù)庫的部分訓(xùn)練樣本與測試樣本。表格3展現(xiàn)了本文所提方法在不同算法上進(jìn)行對比實驗所得到的識別率。

圖5 基于AR人臉數(shù)據(jù)庫的部分訓(xùn)練樣本

表3 基于AR人臉數(shù)據(jù)庫的實驗結(jié)果

（4）COIL人臉庫

本實驗所使用的COIL數(shù)據(jù)庫總共包括1440張圖像，它由來自20個類別的72張圖像組成。在實驗中，選擇每個人的前4張圖片作為訓(xùn)練樣本，而將其余的作為測試樣本。這里所選擇的常數(shù)系數(shù)為a=10。圖6展現(xiàn)了COIL人臉數(shù)據(jù)庫的部分訓(xùn)練樣本與測試樣本。表4展現(xiàn)了本文所提方法在不同算法上進(jìn)行對比實驗所得到的識別率。

3.3 實驗結(jié)果分析

1）從圖1可以看到SRC算法對測試樣本的分類有誤，因為最小重構(gòu)誤差出現(xiàn)在第16個類別的位置。但改進(jìn)后的SRC算法能將測試樣本分配到正確的類別。同樣的，通過圖2可以看到SRC算法對測試樣本的分類有誤，但改進(jìn)后的SRC算法則將測試樣本分配到正確的類別中。通過以上實驗可以發(fā)現(xiàn)改進(jìn)后的SRC算法能減少原本的SRC算法的錯誤匹配率，從而提高正確識別率。

2）將本文所提出的改進(jìn)方法應(yīng)用在除SRC算法以外的算法進(jìn)行對比實驗，可以發(fā)現(xiàn)基于本文所提出的方法對其他算法進(jìn)行改進(jìn)，也能使其他算法的識別率有所提高，從而證明本文所提出的改進(jìn)方法具有一定的通用性。

圖6 基于COIL數(shù)據(jù)庫的部分訓(xùn)練樣本

表4 基于COIL人臉數(shù)據(jù)庫的實驗結(jié)果

4 結(jié)語

本文主要針對SRC算法在實際應(yīng)用中，可用的訓(xùn)練樣本少導(dǎo)致識別率低而提出一種新的方法。該方法通過使用一個特定的常數(shù)矩陣與訓(xùn)練樣本相加獲得新的訓(xùn)練樣本，然后將新的訓(xùn)練樣本與原始訓(xùn)練樣本相結(jié)合產(chǎn)生一個新的數(shù)據(jù)集，從而解決在實際應(yīng)用中，可用訓(xùn)練樣本少而導(dǎo)致識別率低的問題。通過實驗表明，該方法不僅能增加可用的訓(xùn)練樣本，而且可以提高識別率，除此之外，還證明了該方法具有一定的通用性。

[1]J Wright，AY Yang，A Ganesh，et a1.Robust Face Recognition Via Sparse Representation[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2009，31(2)：210-227.

[2]Y Xu，X Zhu，Z Li，G Liu，Y Lu and H Liu.Using the Original and‘Symmetricalface’Training Samples to Perform Representation Based two-step Face Recognition.Pattern Recognition，2013，46:1151-1158.

[3]Yong Xu，Zheng Zhang，Guang ming Lu and Jian Yang.Approximately Symmetrical Face Images For Image Preprocessing In Face Recognition and Sparse Representation Based Classification.Pattern Recognition，2016，54:68–82.

[4]Y Xu，X Fang，X Li，J Yang，J You,H Liu，S Teng.Data Uncertainty in Face Recognition.Transactions on Cybernetics，2014，44(10).

[5]P Ekman，J.C.Hager，W.V.Friesen.The Symmetry of Emotional and Deliberate Facial Actions.Psychophysiology，1981，18(2):101-106.

[6]B Tang，S Luo and H Huang.High Performance Face Recognition System by Creating Virtual Sample.In Proc.Int.Conf.Neur.Netw.Signal Process.2003:972-975.

[7]P.Niyogi，F(xiàn).Girosi，T.Poggio.Incorporating Prior Information in Machine Learning by Creating Virtual Examples.Proc.IEEE.1998，86(11):2196-2209.

[8]D.Jiang，Y.Hu，S.Yan，L.Zhang，H.Zhang，W.Gao.Efficient 3D Reconstruction for Face Recognition.Pattern Recognition，2005，38(6):787-798.

[9]S.N.Kautkar，G.A.Atkinson，M.L.Smith.Face Recognition in 2D and 2.5D Using Ridgelets and Photometric Stereo,Pattern Recognition，2012，45(9):3317-3327.

[10]N.P.H.Thian，S.Marcel，S.Bengio.Improving Face Authentication Using Virtual Samples.IEEE International Conference on Acoustics，Speech，and Signal Processing，2003:6-10.

[11]R Y.-S，O S.-Y.Simple Hybrid Classifier for Face Recognition with Adaptively Generated Virtual Data.Pattern Recognition Letters，2002，23(7):833-841.

[12]T.Vetter.Synthesis of Novel Views from a Single Face Image.International Journal of Computer Vision，1998，28(2):102-116.

[13]X.-T.Yuan，S.Yan.Visual Classification with Multi-Task Joint Sparse Repre-Sentation.IEEE Conference on Computer Vision and Pattern Recognition，2010:3493-3500.

[14]A.Sharma，A.Dubey，P.Tripathi，V.Kumar.Pose Invariant Virtual Classifiers from Single Training Image Using Novel Hybrid-Eigenfaces.Neurocomputing.2010，73(10–12):1868-1880.

[15]Y.Hu，D.Jiang，S.Yan，L.Zhang，H.Zhang.Automatic 3D Reconstruction for Face Recognition，2004:843-850.

[16]Y Xu，B Zhang，Z Zhong.Multiple Representations and Sparse Representation for Image Classification.Pattern Recognition Letters，2015:9-14.

[17]BA Olshausen，DJ Field.Sparse Coding with an Overcomplete Basis Set:a Strategy Employed by V1?Vision Research.1997，37(23):3311.

[18]W.E.Vinje，J.L.Gallant.Sparse Coding and Decorrelation in Primary Visual Cortex During Natural Vision.SCIENCE.2000，287(5456):1273-1276.

[19]M.Elad，M.Aharon.Image Denoising Via Sparse and Redundant Representations Over Learned Dictionaries.IEEE Trans.Image Processing.2006，15(12):3736-3745.

[20]S.H.Gao，I.W-H.Tsang，L-T.Chia.Kernel Sparse Representation for Image Classification and Face Recognition.Proc.European Conf.Computer Vision，2010.

[21]I.Naseem，R.Togneri，M.Bennamoun.Linear Regression for Face Recognition.Transactions on Pattern Analysis and Machine Intelligence.2010，32(11).

[22]P.N.Belhumeur，J.P.Hespanha，D.J.Kriegman.Eigenfaces vs.Fisherfaces:Recognition Using Class Specific Linear Projection.IEEE Trans.Pattern Analysis and Machine Intelligence，1997，19(7):711-720.

[23]R.Barsi，D.Jacobs.Lambertian Reflection and Linear Subspaces.IEEE Trans.Pattern Analysis and Machine Intelligence，2003，25(2):218-233.

[24]X.Chai，S.Shan，X.Chen，W.Gao.Locally Linear Regression for Pose Invariant Face Recognition.IEEE Trans.Image Processing.2007，16(7):1716-1725.

[25]Y.Xu，Q.Zhu，Z.Fan，D.Zhang，J.Mi，Z.Lai.Using the Idea of the Sparse Representation to Perform Coarse-to-Fine Face Recognition.Information Sciences，2013，238:138-148.

[26]Y.Xu，Q.Zhu，Y.Chen J.Pan.An Improvement to the Nearset Neighbor Classifier and Face Recogniton Experiments，2013:543-545.