基于級(jí)聯(lián)稀疏表示分類器的人臉識(shí)別算法

基于級(jí)聯(lián)稀疏表示分類器的人臉識(shí)別算法

0稀疏表示分類器人臉識(shí)別技術(shù)作為最具潛力的生物識(shí)別技術(shù)，在煤礦安全中得到了越來(lái)越多的應(yīng)用。人臉識(shí)別技術(shù)具有精準(zhǔn)度高、不易偽造、非接觸等優(yōu)點(diǎn),但是目前的人臉識(shí)別算法對(duì)環(huán)境的魯棒性及識(shí)別的實(shí)時(shí)性不強(qiáng)。Wright等將稀疏表示引入人臉識(shí)別領(lǐng)域,并提出一種基于稀疏表示的分類器(SparseRepresentation-basedClassifier,SRC)。SRC是目前對(duì)光照、遮擋以及人臉圖像污損等魯棒性最好的分類器,但SRC算法識(shí)別速度較慢。因此,本文提出一種基于級(jí)聯(lián)稀疏表示分類器(CascadeSparseRepresentation-basedClassifier,CSRC)的人臉識(shí)別算法(簡(jiǎn)稱為CSRC算法)。該算法首先對(duì)于每一個(gè)測(cè)試樣本,應(yīng)用SRC算法分別在小的子庫(kù)中確定其最可能的分類,而后利用所有子類中的可能歸屬類的樣本而并非所有的訓(xùn)練樣本來(lái)對(duì)測(cè)試樣本進(jìn)行稀疏表示,從而大大降低算法計(jì)算復(fù)雜度。人臉庫(kù)ExtendYaleB上的試驗(yàn)結(jié)果表明,該算法不僅能較大程度地降低算法的計(jì)算復(fù)雜度,而且具有SRC算法優(yōu)越的魯棒性。1csrc算法的計(jì)算效率SRC是基于低維線性子空間的分類器。如果一個(gè)n維樣本位于一個(gè)k維子空間,那么按照線性性質(zhì),這個(gè)樣本一定能用k個(gè)同一子空間的其他樣本去線性表示,這就是SRC的理論基礎(chǔ)。如果用其他子空間的樣本表示,那么需要的樣本數(shù)應(yīng)該大于k。CSRC采用級(jí)聯(lián)的思想,通過(guò)多次重復(fù)使用SRC分類器,逐級(jí)精確確定待分類樣本所在的類。理論上,每個(gè)測(cè)試樣本稀疏表示的時(shí)間復(fù)雜度為O(t3+n),其中t為模型解中非零向量的個(gè)數(shù),n為參與計(jì)算的訓(xùn)練樣本的個(gè)數(shù)?？梢钥闯?模型的計(jì)算復(fù)雜度與參與計(jì)算的訓(xùn)練樣本個(gè)數(shù)成線性關(guān)系。但是,實(shí)際上,所求得的系數(shù)向量并非最佳的稀疏表示向量,其中包含很多很小的非零向量,致使t→n,時(shí)間復(fù)雜度相應(yīng)地趨近于O(n3)。假設(shè)SRC算法的計(jì)算時(shí)間為an3(忽略低次項(xiàng)),人臉樣本共有C類,每類中的樣本數(shù)大致相同。如果將訓(xùn)練樣本庫(kù)按照人臉的類別不同分為k個(gè)子庫(kù),則每個(gè)子庫(kù)中有n/k個(gè)類。用測(cè)試樣本對(duì)每個(gè)子類使用SRC模型求解,然后將所有子類的求解出的類組成一個(gè)新的子庫(kù),再使用SRC算法求解,則總共需要進(jìn)行(k+1)次SRC算法運(yùn)算,其中k次SRC算法的計(jì)算時(shí)間為a(n/k)3=an3/k3,最后一次SRC算法的計(jì)算時(shí)間為ak3。整個(gè)求解過(guò)程的計(jì)算時(shí)間為kan3/k3+ak3=an3/k2+ak3。因?yàn)閗≤n,則整個(gè)求解過(guò)程的計(jì)算時(shí)間約為an3/k2。這樣理論上計(jì)算時(shí)間變?yōu)樵瓉?lái)的1/k2。若原始SRC算法的求解時(shí)間為5s,當(dāng)k=10時(shí),CSRC算法的運(yùn)行時(shí)間為5/102=0.05s,也就是20f/s,達(dá)到了實(shí)時(shí)性的要求。CSRC算法步驟:(1)歸一化訓(xùn)練樣本集A的每個(gè)列向量。(2)將樣本庫(kù)平均分為k個(gè)子庫(kù),A=[B1,B2,…,Bk]。(3)對(duì)每個(gè)字庫(kù)應(yīng)用SRC算法求解最可能的類標(biāo)簽:①,其中Bi為第i個(gè)子人臉庫(kù),x為稀疏系數(shù)。②計(jì)算殘差,其中δi(x)表示對(duì)x中第i類樣本所對(duì)應(yīng)的系數(shù)不變、其他全為0的運(yùn)算。③最后計(jì)算y的標(biāo)簽,。(4)用k個(gè)類標(biāo)簽li(y)下的所有人臉樣本組成新的子庫(kù)。(5)在新子庫(kù)中使用步驟(3)中的方法求得最終的識(shí)別結(jié)果l(y)。2tendedyleb人臉庫(kù)測(cè)試使用參考文獻(xiàn)中的方法來(lái)解決稀疏約束下的最小化問(wèn)題。在ExtendedYaleB人臉庫(kù)上測(cè)試CSRC算法和SRC算法的識(shí)別率和魯棒性,測(cè)試之前先用主成份分析法進(jìn)行特征抽取。每個(gè)試驗(yàn)都重復(fù)進(jìn)行30次,并取這些試驗(yàn)結(jié)果的平均值。2.1人臉數(shù)據(jù)庫(kù)的分類ExtendedYaleB人臉數(shù)據(jù)庫(kù)包涵38個(gè)人的2414張正面人臉圖像,使用裁剪后歸一化為192×168大小的圖像,其中同一個(gè)人的不同人臉圖像包涵劇烈的光照角度變化。將每人的人臉數(shù)據(jù)庫(kù)隨機(jī)分為兩類。一半(大約32張圖像)用作字典(訓(xùn)練),另一半用作測(cè)試。測(cè)試了特征維數(shù)分別為30,84,150和300時(shí)SRC算法和DSRC算法的識(shí)別率,結(jié)果見表1。從表1可看出,CSRC在不同維數(shù)下的識(shí)別率均高于SRC算法。人臉識(shí)別算法的另一個(gè)重要性能是算法的運(yùn)行速度,也就是識(shí)別每張人臉?biāo)玫臅r(shí)間。表2顯示了不同維數(shù)下SRC算法和DSRC算法的識(shí)別時(shí)間。從表2可看出,CSRC算法的運(yùn)行速度高于SRC算法,識(shí)別速度基本可以達(dá)到實(shí)時(shí)系統(tǒng)的要求。2.2人臉圖像測(cè)試在隨機(jī)塊遮擋的試驗(yàn)中,測(cè)試SRC算法和DSRC算法對(duì)不同程度的隨機(jī)塊遮擋問(wèn)題的魯棒性。在ExtendedYaleB中隨機(jī)抽取每人的32張人臉樣本用做訓(xùn)練,其余32張樣本用作測(cè)試。同樣的試驗(yàn)重復(fù)10次,取平均結(jié)果。人臉圖像的尺寸縮小為高96像素,寬84像素。用與人臉無(wú)關(guān)的圖片隨機(jī)遮擋人臉,在仿真環(huán)境下測(cè)試遮擋比例為0%~30%時(shí)的識(shí)別率,結(jié)果見表3。從表3可看出,當(dāng)遮擋比例小于30%時(shí),CSRC算法同樣對(duì)遮擋具有很強(qiáng)的魯棒性。3減少求解時(shí)間