光照和遮擋條件下的人臉識(shí)別算法研究.pdf

1、人臉識(shí)別是根據(jù)人面部影像中的有效信息進(jìn)行身份鑒別的一項(xiàng)技術(shù),是生物特征識(shí)別領(lǐng)域的重要組成部分。憑借在國(guó)防安全、社會(huì)公共安全以及各行業(yè)中的應(yīng)用前景,人臉識(shí)別的研究近十年受到了廣泛關(guān)注,同時(shí)也極大促進(jìn)了數(shù)學(xué)、計(jì)算機(jī)科學(xué)以及認(rèn)知科學(xué)等相關(guān)學(xué)科的發(fā)展。目前,在環(huán)境可控、用戶配合的條件下,該項(xiàng)技術(shù)已經(jīng)比較成熟。但是在非理想條件下(如光照可變、表情變化,化妝或遮擋)的人臉識(shí)別性能尚待提高。
　　本論文在分析現(xiàn)有先進(jìn)算法的基礎(chǔ)上,面向人臉識(shí)別中

2、存在的難題進(jìn)行了研究。從改進(jìn)算法對(duì)連續(xù)性遮擋的處理能力,增強(qiáng)分類(lèi)模型對(duì)離群點(diǎn)的魯棒性,以及人臉特征提取幾方面入手,針對(duì)人臉識(shí)別中的光照以及遮擋問(wèn)題進(jìn)行了一系列工作。本文主要貢獻(xiàn)和創(chuàng)新點(diǎn)如下:
　　1.融合線性回歸和水平集方法,提出一個(gè)解決人臉識(shí)別中連續(xù)性遮擋問(wèn)題的方法。核心思想是消除遮擋區(qū)域?qū)€性回歸分類(lèi)法(linear regression-based classification,LRC)的影響。首先從LRC中得到人臉誤差圖像

3、,通過(guò)分析得出:與原人臉圖像相比,遮擋區(qū)域在誤差圖像中更為顯著,且更容易被確定出來(lái)?？紤]到水平集方法(level set method)可以提取封閉、平滑的連續(xù)性邊緣,我們展示了如何利用遮擋像素點(diǎn)的空間連續(xù)性來(lái)確定人臉中的遮擋區(qū)域。實(shí)驗(yàn)分析表明,將水平集方法融入線性回歸分類(lèi)框架,我們的方法能夠有效提高對(duì)不同類(lèi)型人臉遮擋識(shí)別的魯棒性。此外,現(xiàn)有處理遮擋問(wèn)題的方法(如稀疏表示分類(lèi)法和線性回歸分類(lèi)法)需要對(duì)人臉圖像進(jìn)行劃分以提升識(shí)別效果,其識(shí)

4、別性能與人臉?lè)謮K的方式密切相關(guān),影響實(shí)用性。本文提出的方法不需要對(duì)人臉圖像進(jìn)行分塊操作,從而避免了這一問(wèn)題。
　　2.提出一個(gè)基于l1范數(shù)約束的線性回歸人臉識(shí)別方法(l1-norm based linear regression classification,l1LRC)。高維線性空間中,在不同的范數(shù)定義下,樣本間會(huì)形成不同的拓?fù)潢P(guān)系,因此相同的分類(lèi)算法會(huì)有不一樣的決策界,進(jìn)而產(chǎn)生不同的分類(lèi)結(jié)果。LRC利用l2范數(shù)作為距離度量準(zhǔn)則

5、。作為歐氏測(cè)度,l2范數(shù)可以較好地克服高斯噪聲對(duì)圖像識(shí)別的影響,然而卻忽略了樣本分布的統(tǒng)計(jì)特性,無(wú)法有效揭示數(shù)據(jù)的內(nèi)在分布結(jié)構(gòu)。當(dāng)圖像數(shù)據(jù)中存在較大的誤差或離群點(diǎn)時(shí),歐氏測(cè)度會(huì)導(dǎo)致對(duì)數(shù)據(jù)的估計(jì)出現(xiàn)較大的偏離。本章用l1范數(shù)代替LRC方法中的l2范數(shù)約束,將l1約束的凸優(yōu)化問(wèn)題轉(zhuǎn)化為線性規(guī)劃問(wèn)題,由原-對(duì)偶算法進(jìn)行模型求解,最后通過(guò)計(jì)算測(cè)試樣本與各類(lèi)訓(xùn)練樣本之間的l1距離作為最近鄰分類(lèi)的相似性度量。在ORL、CMU-PIE、Extende

6、d Yale B、AR和Geogia Tech五個(gè)公開(kāi)人臉數(shù)據(jù)庫(kù)上的對(duì)比實(shí)驗(yàn)表明了l1LRC算法用于人臉識(shí)別的可行性和有效性。
　　3.提出了一個(gè)基于稀疏誤差特征提取的人臉識(shí)別方法,用于解決正面人臉識(shí)別中的光照以及遮擋問(wèn)題。受到魯棒主成分分析(robust principal component analysis,RPCA)進(jìn)行低秩矩陣恢復(fù)的啟發(fā),本文提出利用測(cè)試樣本在不同類(lèi)別下的RPCA分解得到的稀疏誤差成分進(jìn)行人臉識(shí)別。首先,

7、通過(guò)示例分析并揭示了誤差成分與低秩成分相比,具有更多的判別信息。其次,從誤差圖像的像素域和梯度域兩個(gè)角度出發(fā),分別定義了稀疏性和平滑性兩個(gè)描述算子來(lái)提取稀疏誤差成分的特征。最后,通過(guò)加權(quán)和比值的方式給出了兩種識(shí)別協(xié)議進(jìn)行人臉圖像分類(lèi)。在公開(kāi)人臉數(shù)據(jù)庫(kù)中進(jìn)行的光照變化、隨機(jī)像素點(diǎn)破壞、隨機(jī)圖像塊遮擋以及真實(shí)環(huán)境下的遮擋實(shí)驗(yàn)表明了提出方法的有效性。同時(shí),提出的方法不需要光照條件以及遮擋區(qū)域的先驗(yàn)知識(shí),并且該方法并不限于面部識(shí)別,也有望擴(kuò)展到