趙淑歡 張德智 關立偉

摘要：為提高無遮擋訓練字典下遮擋人臉識別算法性能，提出一種層間稀疏差遮擋檢測算法。首先將圖像分為四個父模塊，并計算各模塊的稀疏度;其次，將各模塊再劃分成兩個子模塊，計算稀疏度;再次，計算父模塊與子模塊的稀疏差，估計遮擋子模塊;最后，在非遮擋模塊上利用SRC進行識別。在AR、Yale B數(shù)據(jù)庫上的實驗結果證明了該算法的有效性及魯棒性。

關鍵詞：人臉識別;遮擋檢測;稀疏表示;稀疏度;局部表示

中圖分類號：TP18 文獻標識碼：A

文章編號：1009-3044（2019）31-0218-03

人臉識別是近些年研究熱點之一，經(jīng)典算法包括PCA，LDA，SVM等。稀疏表示（SRC）算法因其在圖像處理中的優(yōu)良性能獲得廣泛關注，其拓展算法不斷提高不同情況下的圖像處理性能，例如SSPf稀疏保留投影：spamity preserving projec-tions）可用于無監(jiān)督情況下的維數(shù)約減，同時保留稀疏重構權重，在人臉認證上取得良好效果。遮擋情況下以上算法性能嚴重下降，為此，Meng Yang等人提出利用樣本間的差值圖對字典擴展，以提高遮擋人臉識別性能。文獻【5】采用Gabor特征進行稀疏表示分類，獲得更緊致的遮擋字典，同時降低計算復雜度。此外，文獻【6】采用結構不相干的低秩矩陣分解算法進行人臉識別。

以上算法均要求訓練字典中包含遮擋樣本，若字典中無遮擋樣本則算法失敗。為此，文獻【7】提出RSC（Robust sparse cod-ing）尋找稀疏編碼的最大似然估計值，增強SRC的魯棒性。文獻[8]提出WGSR（modular weighted global sparse representation），將樣本分成多個模塊，利用稀疏度和殘差計算每個模塊的可靠度并作為權值，最后利用模塊加權后的樣本進行重構有分類，提高了遮擋人臉識別的性能。

為解決字典無遮擋樣本時的遮擋人臉識別問題，本文提出基于雙層稀疏差的遮擋人臉識別算法（occluded face recognitionBased on double layer module sparsity difference：FR_DLMSD））。該算法將樣本進行雙層分割，并計算層間的稀疏差，以此估計遮擋模塊，并在非遮擋模塊上進行分類識別。

1層間稀疏差遮擋檢測

2實驗

為驗證本文算法的有效性在AR和Yale B數(shù)據(jù)集上進行實驗，選用SRC，SPP，NN和NFS作對比算法。

2.1AR

選用AR數(shù)據(jù)庫上119人的人臉圖像進行實驗，每人7張無遮擋圖像用作訓練樣本構成訓練字典，選用每人3張圍巾遮擋和3張墨鏡遮擋圖像作測試樣本。人臉圖像中同時包含了表情光照等變化，圖2為部分AR數(shù)據(jù)庫的圖片，其中第一行為選取的訓練樣本，第二行為選取的測試樣本。實驗中利用下采樣對所有樣本進行降維。因圖片采自兩個不同的時期，因此分別在這兩個時期的樣本上進行實驗并將均值作為最終的實驗結果。

墨鏡遮擋情況下的識別結果如圖3所示，與對比算法相比可知本文算法的識別率略高于其他算法。其中一個原因是遮擋比例較低，判別性信息損失較少因此算法間的性能差異不是很大。而全局算法SRC不能很好地捕獲判別性信息因此其識別率較低。

圍巾遮擋下各算法的識別率如表1所示，因圍巾遮擋比例明顯高于墨鏡遮擋比例，圖像中的判別性信息損失較為嚴重，因此圍巾遮擋下各算法的識別率均低于墨鏡遮擋下各算法的識別率，尤其是SPP，SRC，NN和NFS算法的性能下降嚴重，說明這些算法對遮擋敏感。同時說明遮擋改變了數(shù)據(jù)分布，因此全局算法不再適用。本文算法將圖像進行父子模塊分割并進行遮擋估計因此可獲得良好的識別性能，其識別率較對比算法提高了30%，證明了本文算法的有效性。

2.2Yale B

Yale B數(shù)據(jù)庫包含38個人不同光照條件下的人臉正面照，本實驗隨機選用每人的7張圖像作訓練樣本，選用3張圖像并人為加上一定比例的遮擋作測試樣本，部分樣本如圖4所示。選用不同的訓練及測試樣本，重復試驗5次，記錄均值作為最終的測試結果。圖5-圖7為不同算法在不同遮擋比例下的識別結果對比。

從試驗結果可以看出隨著遮擋比例的不斷提升，SRC的性能嚴重下降，尤其是當遮擋比例為50%時。當遮擋比例為30%時SPP的性能低于本文算法，但高于SRC算法性能。當遮擋比例為50%時SPP的識別率仍高于SRC算法，但當遮擋率為70%時SPP性能低于SRC，說明SPP、SRC算法性能對遮擋敏感。隨著遮擋比例的不斷提升各算法性能均下降，但本文算法在各種情況下的識別率仍高于對比算法。

從圖5中可以看出本文算法性能明顯優(yōu)于對比算法，其次是SPP算法，可見SRC算法并不適用于遮擋圖像識別。即使遮擋率為70%本文算法的識別率仍保持在70%以上而對比算法識別率為20%左右。

根據(jù)圖5一圖7可知本文算法可獲得更好的識別性能，對遮擋更具魯棒性。

各算法的運行時間如圖8所示，可知SRC所用時間最短。當維數(shù)低于600時本文算法和SPP算法的運行時間相近，隨著樣本維數(shù)的增加本文算法的運行時間上升但仍在可接受范圍內(nèi)。

3結論

為提高無遮擋樣本的字典識別遮擋樣本的識別性能，本文提出一種基于層間稀疏差的遮擋模塊估計算法，根據(jù)父子模塊的稀疏度差值檢測出遮擋樣本并利用SRC算法僅在非遮擋樣本下進行識別進而提高識別性能，與SPP，SRC，NN，NFS算法在AR和Yale B數(shù)據(jù)庫上的對比試驗驗證了本文算法的有效性和魯棒性。