趙淑歡 張德智 關(guān)立偉

摘要：為提高無(wú)遮擋訓(xùn)練字典下遮擋人臉識(shí)別算法性能，提出一種層間稀疏差遮擋檢測(cè)算法。首先將圖像分為四個(gè)父模塊，并計(jì)算各模塊的稀疏度;其次，將各模塊再劃分成兩個(gè)子模塊，計(jì)算稀疏度;再次，計(jì)算父模塊與子模塊的稀疏差，估計(jì)遮擋子模塊;最后，在非遮擋模塊上利用SRC進(jìn)行識(shí)別。在AR、Yale B數(shù)據(jù)庫(kù)上的實(shí)驗(yàn)結(jié)果證明了該算法的有效性及魯棒性。

關(guān)鍵詞：人臉識(shí)別;遮擋檢測(cè);稀疏表示;稀疏度;局部表示

中圖分類號(hào)：TP18 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2019）31-0218-03

人臉識(shí)別是近些年研究熱點(diǎn)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(guān)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(wú)監(jiān)督情況下的維數(shù)約減，同時(shí)保留稀疏重構(gòu)權(quán)重，在人臉認(rèn)證上取得良好效果。遮擋情況下以上算法性能嚴(yán)重下降，為此，Meng Yang等人提出利用樣本間的差值圖對(duì)字典擴(kuò)展，以提高遮擋人臉識(shí)別性能。文獻(xiàn)【5】采用Gabor特征進(jìn)行稀疏表示分類，獲得更緊致的遮擋字典，同時(shí)降低計(jì)算復(fù)雜度。此外，文獻(xiàn)【6】采用結(jié)構(gòu)不相干的低秩矩陣分解算法進(jìn)行人臉識(shí)別。

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

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

1層間稀疏差遮擋檢測(cè)

2實(shí)驗(yàn)

為驗(yàn)證本文算法的有效性在AR和Yale B數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，選用SRC，SPP，NN和NFS作對(duì)比算法。

2.1AR

選用AR數(shù)據(jù)庫(kù)上119人的人臉圖像進(jìn)行實(shí)驗(yàn)，每人7張無(wú)遮擋圖像用作訓(xùn)練樣本構(gòu)成訓(xùn)練字典，選用每人3張圍巾遮擋和3張墨鏡遮擋圖像作測(cè)試樣本。人臉圖像中同時(shí)包含了表情光照等變化，圖2為部分AR數(shù)據(jù)庫(kù)的圖片，其中第一行為選取的訓(xùn)練樣本，第二行為選取的測(cè)試樣本。實(shí)驗(yàn)中利用下采樣對(duì)所有樣本進(jìn)行降維。因圖片采自兩個(gè)不同的時(shí)期，因此分別在這兩個(gè)時(shí)期的樣本上進(jìn)行實(shí)驗(yàn)并將均值作為最終的實(shí)驗(yàn)結(jié)果。

墨鏡遮擋情況下的識(shí)別結(jié)果如圖3所示，與對(duì)比算法相比可知本文算法的識(shí)別率略高于其他算法。其中一個(gè)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(shí)別率較低。

圍巾遮擋下各算法的識(shí)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(yán)重，因此圍巾遮擋下各算法的識(shí)別率均低于墨鏡遮擋下各算法的識(shí)別率，尤其是SPP，SRC，NN和NFS算法的性能下降嚴(yán)重，說(shuō)明這些算法對(duì)遮擋敏感。同時(shí)說(shuō)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(jìn)行父子模塊分割并進(jìn)行遮擋估計(jì)因此可獲得良好的識(shí)別性能，其識(shí)別率較對(duì)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(kù)包含38個(gè)人不同光照條件下的人臉正面照，本實(shí)驗(yàn)隨機(jī)選用每人的7張圖像作訓(xùn)練樣本，選用3張圖像并人為加上一定比例的遮擋作測(cè)試樣本，部分樣本如圖4所示。選用不同的訓(xùn)練及測(cè)試樣本，重復(fù)試驗(yàn)5次，記錄均值作為最終的測(cè)試結(jié)果。圖5-圖7為不同算法在不同遮擋比例下的識(shí)別結(jié)果對(duì)比。

從試驗(yàn)結(jié)果可以看出隨著遮擋比例的不斷提升，SRC的性能嚴(yán)重下降，尤其是當(dāng)遮擋比例為50%時(shí)。當(dāng)遮擋比例為30%時(shí)SPP的性能低于本文算法，但高于SRC算法性能。當(dāng)遮擋比例為50%時(shí)SPP的識(shí)別率仍高于SRC算法，但當(dāng)遮擋率為70%時(shí)SPP性能低于SRC，說(shuō)明SPP、SRC算法性能對(duì)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(shí)別率仍高于對(duì)比算法。

從圖5中可以看出本文算法性能明顯優(yōu)于對(duì)比算法，其次是SPP算法，可見(jiàn)SRC算法并不適用于遮擋圖像識(shí)別。即使遮擋率為70%本文算法的識(shí)別率仍保持在70%以上而對(duì)比算法識(shí)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(shí)別性能，對(duì)遮擋更具魯棒性。

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

3結(jié)論

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