基于含遮挡的稀疏人脸识别

黄 翔,马韵洁,刘 畅

（安徽四创电子股份有限公司安全总体室，安徽合肥，230088）

基于含遮挡的稀疏人脸识别

黄 翔,马韵洁,刘 畅

（安徽四创电子股份有限公司安全总体室，安徽合肥，230088）

本文利用稀疏表示人脸识别算法对图像中的遮挡进行检测，获取非遮挡区域，通过剔除遮挡区域来重构整个训练字典，通过实验获取了不错的效果。

遮挡；稀疏表示；训练字典

0 引言

人脸识别近几十年得到快速发展和研究，已在生活中很多方面得到应用，如公司人员考勤、平安城市安防监控等等，但由于受到遮挡、光照等一些外在因素影响，其准确率往往达不到预期的结果，给实际应用带来了很多不便。本文从John Wright等人提出的稀疏表示人脸识别算法入手，针对含有遮挡的人脸，研究讨论了利用图像中非遮挡的部分作为字典来进行人脸识别，获得不错的效果。

1 稀疏表示人脸识别

稀疏表示人脸识别在最近几年得到快速发展，它利用样本系数的最稀疏性来判断样本属于哪一类。公式如下：

前一项是基于整个字典的重构残差，后一项是正则项，其作用是使系数尽量稀疏，减少稀疏表示中非零元数目。通过估计求得稀疏表示，再求取基于部分字典的残差，这里的部分字典指的是对应一个类的所有样本，如对应第类公式为：

2 非遮挡区域的字典构造

在城市安防监控中，人脸由于经常受到遮挡，识别准确率往往很低。本节重点研究利用稀疏表示人脸识别来处理遮挡区域，提高识别率。

找出最近似的图像后，剔除超过阈值的像素，这些像素或者是遮挡或者是噪声，用剩余的像素再进行类似于通过区域生成图像的生成方式，重新生成一副图像，记为。通过找出遮挡区域，将它从待检测图像中去除，使用图像中剩余的像素作为识别对象。通过标定的遮挡区域，将训练字典中相对应的位置元素去除，从而获得最终的非遮挡区域的字典。

3 实验结果与分析

选用含遮挡的AR库作为实验库，对所做的理论进行试验。

从库中选取50个人，每个人有13幅图像，其中7幅不含遮挡，3幅戴墨镜，剩余3幅戴围巾。将7幅不含遮挡的图像作为训练库，3幅戴墨镜和3副戴围巾分别作为测试库1和测试库2。原始图像大小为，在图像上随机选取50个区域，每个区域的大小为，占图像的比例为20%。

图1 在不同阈值下，提取的遮挡部分

图1为取不同阈值时检测的遮挡情况，从图中可看出遮挡能够很容易被检测出来，验证了算法的可行性。但同时会发现当阈值选取较低时，原始图像的一些非遮挡像素也会被过滤掉。通过观察，取阈值50较合适。

图2为戴围巾图像作为测试时遮挡的提取情况，类似于带围巾情况，当阈值取的比较大时，可明显看出，部分遮挡像素没有被剔出。在这里，阈值仍然取50。

图2 在不同阈值下，提取的遮挡部分

[1] Wright J, Yang A Y, Ganesh A, et al. Robust Face Recognition via Sparse Representation [J]. IEEE TP-AMI, 2008, 31(2): 210–227.

[2] L.Zhang, M.Yang, Yi Ma, and David Zhang. Collaborative Rspresentation based Classification for Face Recognition [J]. IEEE, 2011.

[3] M.Yang, L.Zhang, X.Feng and D.Zhang. Fisher Discrimination Dictionary Learning for Sparse Representation [J]. ICCV, 2011.

[4] Donoho David L. For most large underdetermined s-ystems of linear equations, the minimal L1-norm sol-ution is also the sparsest solution [J]. Communication on Pure and Applied Math, 2006, 59(6): 797-829.

黄翔，男(1988-)，硕士研究生，主要研究领域为模式识别、平安城市等.

马韵洁，女（1983-），硕士研究生、工程师.刘畅，男（1988-），硕士研究生.

Sparse face recognition based on occlusion

Huang Xiang,Ma Yunjie,Liu Chang
(Anhui Sun Create Electronics Co., Ltd Safety general room,Anhui Hefei,230088)

In this paper,the sparse representation of the face recognition algorithm to detect the occluded image,obtaining non occluded regions by eliminating occlusion to reconstruct the entire training dictionary,through experiments to get good results.

occlusion;sparse representation;training dictionary

表1 识别性能的比较