基于稀疏学习与显著性的人脸识别方法研究

孔英会,尹紫薇,车辚辚

(华北电力大学 电子与通信工程系,河北 保定 071003)

0 概述

人脸识别作为身份识别的重要技术之一,已成为模式识别和计算机视觉领域研究的热点[1]。传统人脸识别算法在受约束简单环境下可得到非常好的识别效果,但在无约束复杂环境下的识别性能急剧下降。人脸识别包含人脸检测、预处理、关键特征提取及识别分类,其中特征提取是识别技术中的重要环节[2],提取在各影响因素下都具鲁棒性和代表性且易于分类识别的特征是人脸识别需要解决的关键问题。

由神经系统的研究可知,人类的视觉感知系统在执行视觉任务时仅有小部分的神经元细胞进入到工作激活状态。文献[3]提出稀疏编码方法对生物视觉系统进行模拟。类似于Gabor[4]滤波器,利用稀疏编码方法[5]得到的特征提取滤波器也是多尺度多方向的,但该滤波器不是人为设定参数,而是通过训练集图像学习得到的,并可自适应调整,提取人脸图像的空间结构信息,捕获图像中的高阶相关结构。同时由于稀疏编码自身的特点,可以克服传统人脸识别在不利环境(如表情变化、半遮挡、图像加噪等)中的影响,提取到的特征能更好地用于识别。局部二值模式(Local Binary Pattern,LBP)[6]提取人脸局部细节纹理特征,对较小姿态及光照改变具有较强的鲁棒性,因此,将稀疏编码提取到的特征融合后再进行LBP滤波可突出图像的纹理特性。

人脸图像的不同区域含有不同的信息量,在人脸识别中也具有不同的重要性。……