曾 霞 霞
(闽江学院 计算机科学系,福建省信息处理与智能控制重点实验室, 福州 350121)
信息时代快速的身份验证已经成为普遍的要求,无论是经典的密码识别,还是近年来应用广泛的生物特征识别,都有了极为迅速的发展与完善。由于每个人属性的不同,生物特征识别是较为理想的选择[1-4]。生物识别技术常见的有指纹、视网膜、静脉以及人脸识别等[5-6]。与大部分生物识别技术对比,人脸识别是目前较为友好、便捷的一种方法,不会对被识别者造成如心里阴影等问题,容易受被识别者所肯定,因此人脸识别技术有了广泛的应用与研究[7-19]。当前国内在人脸识别领域主要集中于几何特征、代数特征和连接机制三方面的正面识别人脸研究,其中彭辉等提出的类间散布矩阵的方法,实现了识别率不降低情况下运算量大降低;杨静宇等则采用了奇异值分解的方法实现人脸识别,能够实现多分类融合的群策分析[20-22]。
当然,人脸识别技术还远未到完善的地步,其存在的防伪性劣势不断被放大,目前对人脸识别技术影响的主要问题有[19,23]:不确定性,人脸图像因为光强等原因其获得存在很多不确定性;多样性,人脸图像模式存在包括眼镜、胡须等很多种类型;知识综合性,人脸识别技术已经成为多学科、多领域综合知识运用的方法。从目前研究来看,各种模型或表达方式都有一定的干扰因素,只能是不断完善以求更准确、快速、有效。基于上述问题和发展背景,本文采用改进局部二值模式(LBP)和局部序数模式(LIOP)的方法,进行了人脸识别技术的改进。
LBP采用的是领域点与中心像素点大小进行的图像编码,但其忽略了领域点间大小与对比。LIOP则是用领域点间大小与对比取代领域点与中心像素点的编码,LIOP算子可采用下式表述:
f(A)=order(A1,A2,A3,A4)
(1)
式中:A1,A2,A3以及A4表述的是以A点为中心的4个领域点;order()为实现4点间的序数。LIOP编码如图1所示。
图1LIOP编码方法
改进的优化量化模式(YP)对比了LIOP和LBP的优势和问题,提出采用领域差异向量的方法实现聚类,其编码过程如图2所示。
上述的编码方法采用的是16个领域点的码本,为了不增加计算量,我们进一步将图像分成36个子块,图3为设计的16点邻域位置。
图2YP方法
图3图像的子块
人脸识别通常采用提取直方图特征,然而其维数一般较高,对于识别计算会带来一定困扰。本文基于传统的PCA(Principal Component Analysis)算法改进,提出WPCA,即在PCA的基础上再乘以权重。降维算法过程如下:首先采用YP实现直方图特征提取,实现识别率的显著改进;训练的所有图片进行上述过程,对特征求平均值,然后对特征值、向量等排序,进而得到判别矩阵;然后将需要测试的所有图片重复以上两过程,实现降维。降维后特性可以采用以下模型判定:
(2)
式中:H1,H2是降维后的两图片特征;S(H1,H2)表述的是余弦相似度。研究表明,S(H1,H2)越大,则表示图片越相似。
预处理算法采用改进的PP(Pipeline of Image Preprocessing)和Retina模型方法。提出的PR方法算法过程如下: 首先对图片实现gamma校正,得出校正后图像;进一步对图片实现非线性自适应滤波2次;然后对图片实现DOG滤波;最后对图片进行全局的对比增强。预处理过程及算例如图4所示。从预处理的算例可以看出,最终结果比原始图像能够较好地实现去除光照的影响,保留人脸的本征特点。
实验采用中科院的CAS数据平台,其涵盖9万多张头部图像,有人脸多种变化条件,表1为中科院CAS数据的子集结构。
(a)原始图像(b)gamma校正(c)Retain滤波(d)DOG滤波(e)对比增强
图4 预处理过程
实验采用第2节提到的算法及改进,训练集码本定义为400,实验的算法对比如表2所示。
表2 算法对比实验的结果 %
从表2可以看出,设计的改进方法在遮挡、背景、年龄、表情以及距离5种测试集中都表现更好,与传统算法对比显示了较大的提高和准确率。算法鉴别能力、提取时间方面(PR的准确率能够说明时间)都有明显的优势,这说明改进方法具备较强的理论和实际价值。
将算法进行异质人脸识别的对比与实验,依然采用中科院CAS数据平台,选择2 012张可见光范围的人脸,2 992张在近红外范围的人脸,依然对比上述4种算法,结果如表3所示。从表3的对比结果可见,改进办法识别率有了显著的提高,比LBP、PP算法提高了20%以上,尽管识别率还没有达到最为理想的结果,但有了明显的改进,说明设计的人脸识别技术能够较好地应用在异质人脸识别方面。
表3 异质人脸识别的对比结果
本文针对人脸识别技术存在的问题,设计了改进算法,实现了算法鉴别能力、提取时间的明显改进,有较强人脸特征识别能力;在对异质人脸识别进行对比时,与传统算法相比也有了明显的改进,比LBP、PP算法提高了20%以上,有一定的异质人脸识别功能。该改进方法对于人脸识别进一步完善具有一定的理论和实际意义。
参考文献(References):
[1]王科俊,邹国锋.基于子模式的Gabor特征融合的单样本人脸识别[J].模式识别与人工智能,2013,26(1):50-56.
[2]赵振华,郝晓弘.局部保持鉴别投影及其在人脸识别中的应用[J].电子与信息学报,2013,35(2):463-467.
[3]张洁玉,赵鸿萍,陈曙,等.自适应阈值及加权局部二值模式的人脸识别[J].电子与信息学报,2014,36(6):1327-1333.
[4]邹国锋,傅桂霞,李海涛,等.多姿态人脸识别综述[J].模式识别与人工智能,2015,28(7):613-625.
[5]马晓,庄雯璟,封举富,等.基于带补偿字典的松弛稀疏表示的小样本人脸识别[J].模式识别与人工智能,2016,29(5):439-446.
[6]郭哲,樊养余,雷涛,等.基于联合稀疏描述的多姿态三维人脸识别[J].西北工业大学学报,2014,15(3):382-387.
[7]汪淑贤,熊承义,高志荣,等.分块最大相似性嵌入稀疏编码的人脸识别[J].模式识别与人工智能,2014,27(10):954-960.
[8]辜小花.基于视觉感知和边缘保持的光照不变人脸识别[J].电子学报,2013,35(8):1500-1505.
[9]聂海涛,龙科慧,马军,等.基于快速SIFT算法和模糊控制的人脸识别[J].吉林大学学报(工学版),2016,46(2):549-555.
[10]殷飞,焦李成,杨淑媛,等.基于子空间类标传播和正则判别分析的单标记图像人脸识别[J].电子与信息学报,2014(3):610-616.
[11]王国强,李龙星,郭晓波,等.基于稀疏保持判别嵌入的人脸识别[J].仪器仪表学报,2014,35(2):305-312.
[12]毋立芳,侯亚希,许晓,等.基于紧致全姿态二值SIFT的人脸识别[J].仪器仪表学报,2015,36(4):736-742.
[13]周凯汀,郑力新.基于改进ORB特征的多姿态人脸识别[J].计算机辅助设计与图形学学报,2015(2):287-295.
[14]汤兰兰,盖绍彦,达飞鹏,等.基于网格纵横局部二值模式的三维人脸识别[J].仪器仪表学报,2016,37(6):1413-1420.
[15]崔法毅.色度马氏距离图与灰度图特征自适应融合的彩色人脸识别[J].红外与激光工程,2015,44(4):1382-1389.
[16]郭哲,樊养余,刘姝,等.三维到二维:人脸本征形状描述图[J].光学精密工程,2014,22(12):3391-3400.
[17]万源,李欢欢,吴克风,等.LBP和HOG的分层特征融合的人脸识别[J].计算机辅助设计与图形学学报,2015(4):640-650.
[18]胡正平,李静.基于低秩子空间恢复的联合稀疏表示人脸识别算法[J].电子学报,2013,41(5):987-991.
[19]于谦,高阳,霍静,等.视频人脸识别中判别性联合多流形分析[J].软件学报,2015,26(11):2897-2911.
[20]黄璞,唐振民.无参数局部保持投影及人脸识别[J].模式识别与人工智能,2013,26(9):865-871.
[21]张剑,何骅,詹小四,等.用SIFT词汇树实现的姿态无关的人脸识别[J].计算机辅助设计与图形学学报,2013,25(11):1694-1700.
[22]杨章静,黄璞,张凡龙,等.中心线邻域鉴别嵌入算法及其在人脸识别中的应用[J].模式识别与人工智能,2015,28(12):1100-1109.
[23]甘俊英,何国辉,何思斌,等.核零空间线性鉴别分析及其在人脸识别中的应用[J].计算机学报,2014,37(11):2374-2379.