论文研究-基于稀疏差分和Mean-Shift滤波的Retinex算法在人脸识别中的应用.pdf

所需积分/C币:12 2019-07-22 19:48:48 2.04MB .PDF
13
收藏 收藏
举报

为了提高在光照变化条件下人脸图像的识别率,针对Retinex算法处理人脸光照图像产生的识别率不高的问题,提出了一种基于稀疏差分和Mean-Shift滤波的Retinex算法。对人脸图像增加部分使用稀疏差分,利用Mean-Shift滤波代替高斯滤波对光照进行估计,通过采用Yale B人脸库、CMU-PIE人脸图像库和AR人脸图像库对算法性能进行测试,该算法具有很好的光照鲁棒性,有效地提高了人脸的识别率。
936 计算机应用研究 第32卷 采用文献[19,20],本文算法对人脸进行处理后结果如图 TG(x)= 和3所示。从图2、3可知,本文算法的人脸识别率均接近 100%,远远高于文献[19,20算法,说明木文的算法对光照变 2.2改进人脸图像非线性估计 化具有更强的鲁棒性。 为了进一步使得人脸图像的细节更加清晰,同时对图像的 文献9算法 四文献算法 局部非线性增强,即有 口本文算法 E0(x,y)-E(x,y)+[E2(x,y)+]」 (14) 其中:s为偏移量,δ为一常量。公式的值变人,说明将较暗的 子集1手集2千集3子集4 东西映射到相对小的区域中;公式值变小,就说明较暗的像素 图2 YaleB人腧库的子集人掄识别 映射到相对大的区域中。 En(x,y)为增强局部正规化结果,计算公式为 E(x, y)-E E(x,) (15) 其中:Em、En分别为图像最大以及最小像素值。 30 但是图像非线性估计的这种方法容易导致局部图像过度 清晰的可能性,而其他图像部位相对清晰度不够的情况。为了 避免这种情况的发生,引入稀疏表示,通过选取人脸图像细节 子空间维数 图3 YaleB人脸库的识别效果对比 相应特征与训练字典中各类系数来进行重新组建后完成识别。 结合式(8)中的稀疏表示,对式(15)进行改进如下 2)CMU-PE人脸图像库 本文随机选择65个人的图像,每个人包含21种照明条件 (E2(x,y)) 下的图像集合,同一个人在21种光照条件下,分为三个人脸子 r(x,y)=‖E-AE(a) (16)集,图像如图4所示 在式(16)中,针对人脸图像的初始化细节进行稀疏表示 有效地弥讣了初始化中人脸图像局部图像的不足,避免了图像 过度清晰的可能,使得人臉图像达到了均衡性。 2.3改进算法步骤 a)对人脸图像进行非线性增强,同时采用稀疏表示进行 a)子集1 全局调整。 b)用Ⅵ lean-Shift方法进行滤波估计,针对估计的部分换成 P(x,y=f(lo(x, r) c)根据步骤b)估计出图像识別分量,增强图像的识別 (5 (7) 效果 (h)了集2 d)对人脸图像进行识别,得到结果。 3仿真实验 为了验证本文算法的有效性,本文选择在酷睿双核3.5 (c)子集3 GHz,8 GB DDR, Windows7操作系统的计算机上,采用VC++ 图4 CMU-PIE同一个人在21种光照条件下的图像 编程进行仿真实验。人脸图像来源于 YaleB人脸库、CMU-PE 采用文献[19,20].本文算法对人脸进行处理后结果如图 人脸库和AR数据库。 5和6所示。从图5、6可知,本文算法的人脸识别率均接近 1) YaleB人脸库 90%,高于文献[19],但与文献[20]算法相差不大,说明木文 Yale人脸图像库由10人组成,每一人包含9种姿势,由算法仍然具有一定的优越性 于本文主要研究光照变化人脸识别冋题,特选取正面光照人脸10 图像,人脸图像分成4个了集,其体如图1所示。 000000 米 a}子集 (c)子集3 子集1 子集2 集 文献19算法四文献[20算法口本文算法 图5CMU-PF人脸库的 图6CMI-PIE人靥库的 子集人脸识别 识别效果对比 (b)子集2 ()子集4 3)AR人脸图像库 图1 YaleB的4个光照人脸子集 AR人脸数据库包含了超过400种彩色图像,都是在两 第3期 陈莉,等:基于稀疏差分和 Mean-Shift滤波的 Retinex算法在人脸识别中的应用 937 周内分两次采集的该人脸库包含了多种偏离理想条件的面部法的人脸图像对比度进行局部引入稀疏差分的改进,保证了人 表情,本文选取了同一个人的8种表情,分为两个子集,如图7脸图像具有均匀的比较效果,并通过 Mean-Shift平滑滤波对光 所小。 照进行估计。通过对三个人脸数据库的仿真实验证明,本文算 法有效地提高了人脸识别效,该算法具有一定的這用性。 参考文献 L1. TURK M, PENTLAND A Eigenfaces for recognition.J]. Cognitive Neuroscience,1991,26(3):71-78 a)子集1 b)子集2 [2 BELHUMEUR P N, HESPANHA J P, KRIENGMAN D J Eigenfaces vs fisherfaces: recognition using class specific linear projection[ J T 图7AR同一个人在8种光照条件下的图像 IEEE Trans on PAMl, 1997, 19(7): 711-720 采用文献[9,20]和本文算法对人脸进行处理后的结果[3YANG,Fm, YANG Jing-yu. Why can IDA be perlormed in PCA 如图8和9所示。从图8、9可知,本文算法虽然与文献[19 transformed space[ J]. Pattern Recognition, 2003, 36(2): 563 20]算法识别率相差不大,但木文算法的人脸识别率均接近 566 95%,仍然具有一定的优越性。 [4 TENENBAUM J B, DESILVA V, LANGFORD J C A global gcomct ricframework for nonlinear dimensionality reduction [ J. Science 文献|9法 2000,290(5500):2319-2322 口文献[20算法 口本文算法 ROWEIS ST, SAUL L K. Nonlinear dimensionality reduction by local- ly lincar embedding [ J]. Science, 2000, 290(5500): 2323-2325 [6 WRIGHT YANG A Y, GANESH A, et al. Robust face recognition 子集1 子集2 via sparse reprHsenlalion[ J. IEEE Trans on PAMI, 2009, 31(2) 图8CMU-PEE人脸库的子集人脸识别 210-227 [7 YANG Meng, ZHANG Lei Cabor feature based sparse representation for face recognition with Gabor occlusion dictionay[ C_ //Proc of the 1 1 th European Conference on Computer Vision. 2010: 448-461 文献9法 文献20尊法 本文算 [8 NGUYEN MX, LE Q M, PHAM V, et al. Multi scale sparse represen- tation for robust face recongnition[ C//Proc of the 3rd International 10 ge 11:195-99 [9亓晓振,王庆.一种基于稀疏编码的多垓学刁图像分类方法[J] 它子学报,2012,40(4):73-779 子空问维数 [101 YANG A. CANESH A, SASTRY S, et al. Fast I, minimization algo 图9CⅥU-PE人脸库的识别效果对比 rithms and an application in robust face recognition: a review [c// 为了进一步说明本文算法的实用性,特选取了 CMU-PIE Proc of IEEE International Conference on Image Processing. 2010: 人脸图像库中的样本案例进行说明,将本文算法与SSR、DSR 1849-1852 算法进行比较,结果如表1和2所示。 [11 DENG Wei-hong, HL Jia-ni, GUO Jun. Extended SRC: under sampled 表1极端光照条件下的人脸识别性能对比 facc rccognition via intra-class variant dictionary [J]. IEEE Trans 训练图像 本文算法/% on Pattern Analysis and Machine Intelligence, 2012, 34(9) 1,10.16 [12]陈薇,赵方田,陈侃,等.改迂单尺度 Retinex的光照人脸识别[J 1,7,16 计算机工程与应用,2013,49(2):151-154 91.35 93.37 [13]朱秋旭,李俊山,朱莫宏,等. Retinex理论下的自适应红外图像增 3,10,16 强[J]」.微电子学与计算机,2013,30(4):2-24 表2正而近距离光照的人脸识别性能对比 14] YANG Meng, ZHANG Lei, YANG Jian, et al. Robust sparse codi 训练图像 SSR/%U DSSR/9U 本文算法/% face recognition[ Cl//Proc of IEEE Conference on Computer Vision and Pattern Rccognition. 2011: 625-632 93.4 97.13 [15 WAGNER A, WRIGIIT J, GANESIl A, et al. Towards a practical face 5,7,8,10 82.23 93.27 recognition system: robust registration and illumination by sparse rep- ,12.19 72.9 9992 resentation[ C]//Proc of IEEE Computer Society Conference on Com 13~20 93.12 97.4⊥ puter Vision and Pattcrn Recongnition 2009: 597-604 从表L可知对极端光照条件下的人脸图像,本文算法的161PTB、M,wum, SWAS S,an, Ictionary-based face 识别正确率达到了100%,表明本文算法具有很好的光照条件 mation Forensics and Security, 2012, 7(3): 954-965 下的识别率,同时,DSHR算法的识别正确率比较高,说明本文「171高涛,基于小波域多人度Reme的复杂光照的人脸汉别「门电 算法的图像识别正确率相应提高。从表2可知,采用近正脸光 视技术,2012,36(5):122-125 照人脸图像作为训练图像时,木文算法的识别效果明显优于对18]汤杨,潘志庚,汤敏,等。基于分级M--Shi自的图像分劉算法 比算法,对比结果表明本文算法具有一定的优越性。 [J].计算机研究与发展,2009,46(9):1424-1431 「19]孙幼光,李扬,盝禚福,等.改进的单尺度 Retinex及具在人脸识别 4结束语 中的应用[J].计算机应月研究,2011,28(12):47904793 [20」宋书林,张彦,壬宪,等.基于由波变换知 Retineκ人脸光照夂理算 针对人脸识别算法识别率不高的问题,本文对 Retinex算 法[J].计算机工程与应月,2013,49(3):171-173

...展开详情
试读 4P 论文研究-基于稀疏差分和Mean-Shift滤波的Retinex算法在人脸识别中的应用.pdf
立即下载 低至0.43元/次 身份认证VIP会员低至7折
一个资源只可评论一次,评论内容不能少于5个字
您会向同学/朋友/同事推荐我们的CSDN下载吗?
谢谢参与!您的真实评价是我们改进的动力~
  • 至尊王者

关注 私信
上传资源赚钱or赚积分
最新推荐
论文研究-基于稀疏差分和Mean-Shift滤波的Retinex算法在人脸识别中的应用.pdf 12积分/C币 立即下载
1/4
论文研究-基于稀疏差分和Mean-Shift滤波的Retinex算法在人脸识别中的应用.pdf第1页

试读结束, 可继续读1页

12积分/C币 立即下载