基于局部相似性先验的协作表示人脸识别

汪淑贤　全刘辉　王旬　秦梓璟

【摘 要】针对光照、伪装/遮挡等非受控环境下的人脸图像，本文探讨了一种基于局部相似性先验的协作表示人脸识别。首先选择合适的人脸图像并对其进行等份不重叠分块，接着计算不同分块间的权重，最后将块与块之间最优的相似性先验信息加权至协作表示算法中，以实现人脸的分类。实验结果表明，与目前基于协作表示的人脸识别算法相比，本文算法在性能上有明显的提高。

【关键词】图像分块；局部相似性先验；协作表示；人脸识别

【Abstract】Aiming at the uncontrolled face images with the illumination，disguise，occlusion，a new face recognition algorithm for collaborative representation based on a priori of local similarity would be proposed. At first，the proper face images are selected and divided into the same non-overlapping block. Then the weight between the blocks are calculated. Finally，the optimal similarity information between the blocks is embedded into the collaborative representation for classification. The experiments results show that in comparison with the present face recognition algorithms based on collaborative representation，the new algorithm could improve the recognition performance effectively.

【Key words】Image partition； Priori of local similarity； Collaborative representation； Face recognition

0 引言

在智能安全领域，人脸识别技术逐渐成为理论、应用研究的热点[1]。在压缩感知理论的引导下[2]，一种基于压缩感知原理的人脸识别算法得到了国内外学者的研究。Wright[3]首先提出了基于稀疏表示分类的人脸识别算法，以测试样本和训练类之间的最小残差逐渐逼近的方式实现人脸分类。考虑到训练样本类与类之间的协作性，Zhang[4]提出了协作表示分类算法，既提升了高维度时的识别效果，又降低了计算的复杂度。但在有光照、遮挡/伪装等非受控环境下，人脸图像的特征信息会适当改变，势必会降低人脸识别的正确性。为此，Timofte[5] 和Waqas[6]提出了基于相似性先验信息的协作表示分类方法，但对于实际的非受控场合，以上人脸位置加权方法并不能很好地反映人脸图像的相似性，探讨一种更为合理的相似性判断方法具有重要的意义。

针对上述所呈现的问题，本文探讨了一种新颖的分类算法——基于局部相似性先验的协作表示人脸识别，根据人脸图像等份不重叠分块的方式实现最优的相似性判断，结合协作表示分类算法，更有效地实现人脸识别。

1 协作表示分类算法

2 基于局部相似性先验的协作表示人脸识别

2.1 人脸局部相似性分块

在没有遮挡/伪装的条件下，人们可以很快地判断出人脸；反之，判断人脸有一定的难度。但每个人脸都会具有一定的局部特征，通过局部的眼睛、鼻子、嘴巴等也可以识别出特定的人脸。为此，本文等份地划分出人脸的额头、眼睛、鼻子、嘴巴等，以优化局部特征的表达，获得局部相似性先验信息。以带围巾的人脸为例，如图1展示了人脸局部的不同分块（包括4x1块，4x2块，4x3块）。

2.2 基于局部相似性先验的协作表示人脸识别

协作表示分类算法一定程度上提高了稀疏编码的稳健性，但在非受控环境下，人脸往往会伴随遮挡/伪装等，在没有位置信息的条件下，或者仅仅依赖于全局的相似性判断，可能会引起人脸的错误判决。

3 实验结果分析

根据实验测试的需要，本算法将AR人脸库的100个目标人脸组合成不同非受控环境下的训练字典，主要分为两大类，如下图2所示：

基于上述两种不同的训练字典，以最佳正则化参数λ=0.001，在MATLAB模拟平台上实现了本文算法（LS_CRC），并将其与协作表示分类算法[4]（CRC），基于全局加权的协作表示分类算法[5]（WCRC），最近邻协作表示分类算法[6]（CNRC）进行对比分析，如表1所示。

表1的实验结果表明，采用局部相似性先验的协作表示分类算法有效提升了人脸识别的效果。从单纯的CRC算法到CNRC算法、WCRC算法的性能对比而言，可以看出相似性作为位置加权可以提高人脸识别的正确率。本文算法（LS_CRC）与WCRC相比，人脸识别性能明显提高，且识别率随着局部相似性分块数的增加而呈现增长的趋势，但4x3分块时稍有下降，这意味着局部相似性先验信息可以获得人脸的优化特征，更有利于人脸的分类匹配，同时最佳选择为4x2分块。

4 总结

针对非受控环境中遮挡/伪装条件下的人脸，本文探讨了一种新的识别算法，以人脸局部分块的最优相似性衡量图像间的相似度，并嵌于协作表示分类算法中，既优化了人脸的特征表达，又提高了人脸分类的正确性。实验结果证明，本文算法有效地提升了人脸识别的性能。

【参考文献】

[1]张翠平，苏光大.人脸识别技术综述[J].中国图象图形学报，2000，5（11）：885-894.

[2]Donoho D L. Compressed sensing [J]. IEEE Transactions on Information Theory，2006，52（4）：1289-1306.

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

[4]Zhang L， Yang M， Feng X. Sparse representation or collaborative representation： Which helps face recognition[C]. Proceedings of IEEE International Conference on Computer Vision， 2011：471-478.

[5]Timofte R， Van Gool L. Weighted Collaborative Representation and Classification of Images [C].Proceedings of IEEE International Conference on Pattern Recognition ，2012 ：1606-1610.

[6]Waqas J， Zhang Y， Zhang L. Collaborative neighbor based classification using approach [J]. Pattern Recognition Letters， 2013，34：201-208.

[责任编辑：汤静]