汪淑賢　全劉輝　王旬　秦梓璟

【摘 要】針對光照、偽裝/遮擋等非受控環(huán)境下的人臉圖像，本文探討了一種基于局部相似性先驗的協(xié)作表示人臉識別。首先選擇合適的人臉圖像并對其進行等份不重疊分塊，接著計算不同分塊間的權(quán)重，最后將塊與塊之間最優(yōu)的相似性先驗信息加權(quán)至協(xié)作表示算法中，以實現(xiàn)人臉的分類。實驗結(jié)果表明，與目前基于協(xié)作表示的人臉識別算法相比，本文算法在性能上有明顯的提高。

【關(guān)鍵詞】圖像分塊；局部相似性先驗；協(xié)作表示；人臉識別

【Abstract】Aiming at the uncontrolled face images with the illumination，disguise，occlusion，a new face recognition algorithm for collaborative representation based on a priori of local similarity would be proposed. At first，the proper face images are selected and divided into the same non-overlapping block. Then the weight between the blocks are calculated. Finally，the optimal similarity information between the blocks is embedded into the collaborative representation for classification. The experiments results show that in comparison with the present face recognition algorithms based on collaborative representation，the new algorithm could improve the recognition performance effectively.

【Key words】Image partition； Priori of local similarity； Collaborative representation； Face recognition

0 引言

在智能安全領(lǐng)域，人臉識別技術(shù)逐漸成為理論、應(yīng)用研究的熱點[1]。在壓縮感知理論的引導(dǎo)下[2]，一種基于壓縮感知原理的人臉識別算法得到了國內(nèi)外學(xué)者的研究。Wright[3]首先提出了基于稀疏表示分類的人臉識別算法，以測試樣本和訓(xùn)練類之間的最小殘差逐漸逼近的方式實現(xiàn)人臉分類?？紤]到訓(xùn)練樣本類與類之間的協(xié)作性，Zhang[4]提出了協(xié)作表示分類算法，既提升了高維度時的識別效果，又降低了計算的復(fù)雜度。但在有光照、遮擋/偽裝等非受控環(huán)境下，人臉圖像的特征信息會適當(dāng)改變，勢必會降低人臉識別的正確性。為此，Timofte[5] 和Waqas[6]提出了基于相似性先驗信息的協(xié)作表示分類方法，但對于實際的非受控場合，以上人臉位置加權(quán)方法并不能很好地反映人臉圖像的相似性，探討一種更為合理的相似性判斷方法具有重要的意義。

針對上述所呈現(xiàn)的問題，本文探討了一種新穎的分類算法——基于局部相似性先驗的協(xié)作表示人臉識別，根據(jù)人臉圖像等份不重疊分塊的方式實現(xiàn)最優(yōu)的相似性判斷，結(jié)合協(xié)作表示分類算法，更有效地實現(xiàn)人臉識別。

1 協(xié)作表示分類算法

2 基于局部相似性先驗的協(xié)作表示人臉識別

2.1 人臉局部相似性分塊

在沒有遮擋/偽裝的條件下，人們可以很快地判斷出人臉；反之，判斷人臉有一定的難度。但每個人臉都會具有一定的局部特征，通過局部的眼睛、鼻子、嘴巴等也可以識別出特定的人臉。為此，本文等份地劃分出人臉的額頭、眼睛、鼻子、嘴巴等，以優(yōu)化局部特征的表達，獲得局部相似性先驗信息。以帶圍巾的人臉為例，如圖1展示了人臉局部的不同分塊（包括4x1塊，4x2塊，4x3塊）。

2.2 基于局部相似性先驗的協(xié)作表示人臉識別

協(xié)作表示分類算法一定程度上提高了稀疏編碼的穩(wěn)健性，但在非受控環(huán)境下，人臉往往會伴隨遮擋/偽裝等，在沒有位置信息的條件下，或者僅僅依賴于全局的相似性判斷，可能會引起人臉的錯誤判決。

3 實驗結(jié)果分析

根據(jù)實驗測試的需要，本算法將AR人臉庫的100個目標人臉組合成不同非受控環(huán)境下的訓(xùn)練字典，主要分為兩大類，如下圖2所示：

基于上述兩種不同的訓(xùn)練字典，以最佳正則化參數(shù)λ=0.001，在MATLAB模擬平臺上實現(xiàn)了本文算法（LS_CRC），并將其與協(xié)作表示分類算法[4]（CRC），基于全局加權(quán)的協(xié)作表示分類算法[5]（WCRC），最近鄰協(xié)作表示分類算法[6]（CNRC）進行對比分析，如表1所示。

表1的實驗結(jié)果表明，采用局部相似性先驗的協(xié)作表示分類算法有效提升了人臉識別的效果。從單純的CRC算法到CNRC算法、WCRC算法的性能對比而言，可以看出相似性作為位置加權(quán)可以提高人臉識別的正確率。本文算法（LS_CRC）與WCRC相比，人臉識別性能明顯提高，且識別率隨著局部相似性分塊數(shù)的增加而呈現(xiàn)增長的趨勢，但4x3分塊時稍有下降，這意味著局部相似性先驗信息可以獲得人臉的優(yōu)化特征，更有利于人臉的分類匹配，同時最佳選擇為4x2分塊。

4 總結(jié)

針對非受控環(huán)境中遮擋/偽裝條件下的人臉，本文探討了一種新的識別算法，以人臉局部分塊的最優(yōu)相似性衡量圖像間的相似度，并嵌于協(xié)作表示分類算法中，既優(yōu)化了人臉的特征表達，又提高了人臉分類的正確性。實驗結(jié)果證明，本文算法有效地提升了人臉識別的性能。

【參考文獻】

[1]張翠平，蘇光大.人臉識別技術(shù)綜述[J].中國圖象圖形學(xué)報，2000，5（11）：885-894.

[2]Donoho D L. Compressed sensing [J]. IEEE Transactions on Information Theory，2006，52（4）：1289-1306.

[3]Wright J， Yang A Y， Ganesh A， et al. Robust face recognition via sparse representation[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2009， 31（2）：210-227.

[4]Zhang L， Yang M， Feng X. Sparse representation or collaborative representation： Which helps face recognition[C]. Proceedings of IEEE International Conference on Computer Vision， 2011：471-478.

[5]Timofte R， Van Gool L. Weighted Collaborative Representation and Classification of Images [C].Proceedings of IEEE International Conference on Pattern Recognition ，2012 ：1606-1610.

[6]Waqas J， Zhang Y， Zhang L. Collaborative neighbor based classification using approach [J]. Pattern Recognition Letters， 2013，34：201-208.

[責(zé)任編輯：湯靜]