书书书
收稿日期:20121008;修回日期:20121122 基金项目:国家自然科学基金资助项目(60973064)
作者简介:邓楠(1973),女,甘肃兰州人,博士研究生,主要研究方向为图像处理、模式识别(dengnan666666@163.com);徐正光(1958),男,
教授,博士,主要研究方向为模式识别、图像处理;王臖(1986),女,博士研究生,主要研究方向为图像处理、人工智能.
基于稀疏表征多分类器融合的遮挡人脸识别
邓 楠
1
,徐正光
1
,王 臖
2
(1.北京科技大学 控制科学与工程学院,北京 100083;2.西北工业大学 电子信息学院,西安 710072)
摘 要:为了同时利用人脸局部信息,提出一种基于稀疏表征多分类器融合的遮挡人脸识别方法。先对人脸进
行多分辨率分块,求取并根据各子块稀疏表征分类器的识别率确定其权重,计算其后验概率估值,最终利用加权
融合准则进行多分类器融合识别。在 AR和 YaleA库的实验结果表明,该算法结果比稀疏表征遮挡人脸识别的
效果更好,鲁棒性更高。
关键词:人脸识别;稀疏表征;多分辨率分块;多分类器融合;过完备字典
中图分类号:TP391 文献标志码:A 文章编号:10013695(2013)06191403
doi:10.3969/j.issn.10013695.2013.06.083
Sparserepresentationbasedmulticlassifierfusion
approachforoccludedfacerecognition
DENGNan
1
,XUZhengguang
1
,WANGJun
2
(1.InstituteofControlScience&Engineering,UniversityofScience&TechnologyBeijing,Beijing100083,China;2.SchoolofElectronics&
Information,NorthwesternPolytechnicalUniversity,Xi’an710072,China)
Abstract:Thispaperproposedasparserepresentationbasedmulticlassificationfusion(WMSRC)algorithmonthebasisof
analyzingdifferentdiscriminationabilityofthevariousclassifiers.InWMSRC
,itfirstlydividedthefaceimageintopartitions
bymultiresolutionblocking.Thenforeachblock,itobtainedSRCbasedclassifiers.Finally,performedthemultipleclassifiers
fusionbyweightedfusioncriterion,whichbasedontheweightandposteriorprobabilityofthevariousclassifiers.Experiment
resultsontheARandYaledatabaseprovethatthealgorithmperformanceisefficient.
Keywords:facerecognition;sparserepresentation;multiresolutionblocking;multiclassificationfusion;overcomplete
dictionary
!
引言
近年来,人脸识别
[1]
在视频监控、身份验证和信息安全等
领域的应用日益广泛,但光照、姿态、表情和遮挡等因素会影响
其鲁棒性。在实际的人脸图像处理中,围巾、眼镜、口罩和装饰
物等随机遮挡尤为常见,造成了人脸图像的局部特征缺失,影
响了整体特征的准确性,成为人脸识别的挑战性课题。
稀疏 表 征 人 脸 识 别 (
sparserepresentationclassification,
SRC)
[1,2]
是当前遮挡人脸识别的代表性方法之一。SRC将遮
挡人脸看成是无遮挡的原始人脸和小块遮挡造成的遮挡误差
的叠加。未被遮挡的原始人脸对于全体训练样本形成的字典
是稀疏的,遮挡误差对于全体训练样本被遮挡或者被污染形成
的遮挡字典也是稀疏的。全体训练样本字典和遮挡字典共同
组成所谓的扩展字典。通过求解遮挡人脸在扩展字典的稀疏
表征系数,以及对各类训练人脸的最小重构残差对人脸分类。
按照使用方式不同,目前基于 SRC的遮挡人脸识别方法
可以分为两类。一类基于人脸整体特征建模,加以限制条件或
者先 验 信 息。Wright等 人
[1]
提 出 分 块 稀 疏 表 征 人 脸 识 别
(blocksparserepresentationbasedclassification,BSRC),将遮挡
人脸建模为扩展字典上的表征,结合人脸分块进行识别。翟懿
奎等人
[3]
融合图像彩色信息和同伦算法识别遮挡人脸。Yang
等人
[4]
将原始人脸通过 Gabor滤波器滤波后,建立 Gabor遮挡
字典并优化 SRC模型。由于 Gabor特征对局部光照姿态等变
化不敏感,算法压缩了原子数目,提高了遮挡鲁棒性。另一类
基于局部特征建模。Cui等人
[5]
将 KSVD学习求得的字典引
入图像序列的编码之中,形成一种基于图像局部信息的 SELD
(sparselyencodedlocaldescriptor)描述子。SELD将稀疏编码
引入多个系数向量联合组成的图像描述子中,与现有基于纹理
形成的图像描述子差异很大。之后利用其余弦相似度判定类
别。以上两类方式都将 SRC与遮挡人脸的整体或局部特征相
结合进行识别,获得了良好的识别性能。
根据分类器不同的输出结果,多分类器融合可以分为以类
别标签为输出的抽象级融合、以类别排列次序为输出的排列级
融合和以类别分数为输出的分数级融合
[6]
。由于分数级融合
的类别分数在合并的过程中能屏蔽图像特征的多样性和识别
过程的复杂性,又能同时保存各种特征相似性的度量,因此融
合的信息最丰富,性能最好。根据参数可调与否,分数级融合
可以分为基于固定规则和基于训练规则两种。基于固定规则
的融合包括 DS证据推理、积规则、和规则、最大值规则、最小
值规则、中值规则和投票规则等方式。而基于训练规则的融合
是经训练形成分类器,包括元分类器如神经网络或支持向量机
第 30卷第 6期
2013年 6月
计 算 机 应 用 研 究
ApplicationResearchofComputers
Vol.30No.6
Jun.2013
评论0
最新资源