基于图像重构和范数稀疏表示的人脸识别算法

曾军英，赵晓晓，林作永，谌瑶，冯武林



曾军英，赵晓晓，林作永，谌瑶，冯武林

（五邑大学 信息工程学院，广东 江门 529020）

1 相关理论

1.1 图像重构

众所周知，深度学习模型提取的特征可以较好地表达和描述人脸图像. 本文通过深度学习模型提取特征，并利用提取的特征重构图像. 重构图像的深度网络模型如图1所示. 输入图像是任意姿态和光照的人脸图像，深度网络的特征提取层包括3个连接层和2个聚合层. 首先，输入图像通过特征提取层进行编码，其中有3个本地连接层和2个聚合层交替堆叠. 每层在不同的尺度上提取人脸特征，如图1中，第1连接层输出32个特征映射. 每张图像在人脸区域外都有大量的强烈响应，主要捕获人脸姿态、光照信息，而在人脸区域内的一些强烈响应用于捕捉人脸结构. 在输出特征映射的第2局部连接层，强烈响应的人脸区域已显著减少，表明丢弃了人脸大部分差异而保持面部结构. 第3本地连接层输出重构特征，该特征是稀疏的并且保持身份特征，而且使用一个完全连接的重建层，重构特征可以恢复标准视图的人脸图像.

图1 图像重构模型

1.2 稀疏表示

由于从式（5）得到的解还包含多类人脸的系数，故可将测试人脸样本的类别修正为式（7），即

1.3 平滑算法

2 实验结果与分析

实验平台为主频2GHz的中央处理器、4GB内存，MATLAB7.6版本，Windows 7系统.

图2 FERET人脸数据库部分人脸图像

2.1 重构人脸图像的识别率

表1 不同方法对重构图像和原始图像的识别率 %

2.2 平滑算法的识别时间

表2 不同方法和不同维度值的识别时间 s

3 结论

本文提出了基于图像重构和平滑0范数稀疏表示分类的人脸识别算法. 基于FERET人脸数据库的实验结果表明，利用标准重构的图像可提高传统算法在人脸姿态变化大的情况下的识别性能；采用平滑0快速稀疏算法可减少识别时间. 相比于直接提取人脸特征或人脸Gabor特征算法，本算法识别率显著提高，特别是在姿态变化较大或者光照复杂的情况下，仍能保持较高的人脸识别率和识别效率. 下一步将进一步研究深度学习算法应用到实际的视频图像和网络图像中.

[1] KRIZHEVSKY A, International Conference on HINTON G E, SUTSKEVER I. Imagenet classification with deep convolutional neural networks [C]// International Conference on Neural Information Processing Systems, 2012, 1097-1105.

[2] ZHU Zhenyao, LUO Ping, WANG Xiaogang, et al. Deep learning identity-preserving face space [C]//IEEE International Conference on Computer Vision. IEEE, 2013: 113-120.

[3] WRIGHT J, YANG A Y, GANESH A, et al. Robust face recognition via sparse representation [J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2009, 31(2): 210-227.

[5] ETEMAD K, CHELLAPPA R. Discriminant analysis for recognition of human face images [J]. J Opt Soc Am A, 1997, 14(14): 125-142.

[6] BARTLETT M, MOVELLAN J, SEJNOWSKI T. Face recognition by independent component analysis [J]. IEEE Transactions on Neural Networks, 2002, 13(6): 1450-1464.

[7] YANG M, ZHANG L, ZHANG D, et al. Relaxed collaborative representation for pattern classification [J]. Computer Vision and Pattern Recognition, 2012, 157(10): 2224-2231.

[10] CHAI Zhenhua, SUN Zhenan, MENDEZ-VAZQUES H, et al. Gabor ordinal measures for face recognition [J]. IEEE Transactions on Information Forensics and Security, 2013, 9(1): 14-26.

[11] YANG M, ZHANG L. Gabor feature based sparse representation for face recognition with Gabor occlusion dictionary [C]//Computer Vision-ECCV 2010. Greece: European Conference on Computer Vision, 2010: 6316(7): 448-461.

[12] HUANG G B, LEE H, LEARNED-MILLER. Learning hierarchical representations for face verification with convolutional deep belief networks [C]//Computer Vision and Pattern Recognition. Rhode Island: IEEE, 2012: 2518-2525.

[责任编辑：熊玉涛]

ZENGJun-ying, ZHAOXiao-xiao, LINZuo-yong, SHENYao, FENGWu-lin

(School of Information Engineering, Wuyi University, Jiangmen 529020, China)

TP391.4

A

1006-7302（2018）02-0018-05

2017-11-27

广东高等学校优秀青年培养计划项目（SYQ2014001）；广东省特色创新类项目（2015KTSCX143）；广东省青年创新人才类项目（2015KQNCX165，2015KQNCX172）.

曾军英（1977—），男，江西赣州人，副教授，博士，硕士生导师，研究方向为生物特征识别、深度学习和信息处理.