论文研究-基于距离限定优化的人脸识别.pdf

所需积分/C币:9 2019-07-22 22:00:52 1.03MB .PDF
44
收藏 收藏
举报

针对现有人脸识别方法对人脸角度、表情、姿态等因素较为敏感且准确率低的问题,提出了一种基于距离限定优化算法的人脸识别模型。该模型对人脸识别方法的改进有两点:a)利用LBP算子提取人脸图像纹理谱特征图,然后与原始人脸图像的R、G、B通道进行融合,将融合后的图像矩阵作为神经网络的输入,丰富了人脸的纹理特征;b)对误差函数进行改进,使用阈值和边界值约束特征向量的距离,对模型构建新的优化目标,使得相同对象的人脸图像在特征空间中具有较小的欧氏距离,不同对象的人脸图像在特征空间中具有较大的欧氏距离。通过在非限制场景下的LFW人脸库上进行实验,表明该模型准确率分别达到99.15%,能有效地提高人脸识别准确率,
第3期 周胜阳,等:基于距离限定优化的人脸识别 937 络模型会具有更快的收敛速度和更高的迮确率。人脸图像的强化了特征信号,降低了深层网络训练过程中岀现梯度爆炸或 IBP特征佟和融合过程如图3所示。 棁度消失的风险,从而提高∫模型分类的准确率。类似于 Res net34结构模型,综合考虑准确率和效率等因素,本文设计 的 Res met神经网络模型一共有20层网络结构,详细参数如表 LBP特征提取 通道融合 1所示 表1本文 RenE结构参效 网络层 参数 网络层 参数 C 图3LBP特征提取与融合 32x7×7x2×2 RB73x[128×3×3×1×1] P8 2.2 ResNet网络模型结构 KB33×[32×3×3x1×11BB3×(256×3×3x1×1] 本文使用残差神经网终( residual neural network, ResNet) BBs3×[64×3×3×1×1] num x 128 作为人脸的特征提取器,将人脸图像映射为特征向量。残差神 2×2×2×2 经网络是一种改进的卷积神经网络,最初由He等人提出,其中:C表示卷积层;P表示池化层;RB表示残差连接块,每个 并应用在 Image Net分类问题上,获得了当时最高分类准确率。残差块由三个卷积层和一个池化层连接组成;F表示全连接 Res net的优点在于对神经网络中间层使用跨层连接的方式,层。整个神经网络模型结构如图4所示。 卷 卷卷 车!池 1日化芹积积积接:化 图4本文模型结构 2.3 ResNet模型误差函数与训练过程 要是考虑下面两个原因: )对于非限制场景下的正样本,图像在光照、表情、背景等 ResEt神经网络模型可以作为一种黑盒子来使用,其主方面有明显的差异,表现为较大的类内差距,因此提取的特征 要作用是提取人脸图像具有代表性的特征向量,将人脸图像映 向量也应该有少量的差异性,而不是简单地将其距离优化为零。 射到特征空间中。在训练的初始阶段,每个特征向量表示为 个特征点,所有的特征点以高斯分布的形式存在于特征空间 b)在大型数据库中经常出现将鱼样本标记为正样本的情 况,使用最小化特征向量距离的方法容易受不好数据的主导。 中。本节的重点在于设计一种训练规则,使得在训练的过程 因此,本文使用距离限制的方法,所有的正样本只需要小 屮,同类的特征点能够逐渐聚合,而不同类的特征点能够逐渐于一个距离阈值即可,而不需要无限接近,从而提高了系统的 分离,从而对特征点进行分类识别。 本文提出一和改进的二元组误差优化算法的方法对R 鲁棒性。另外,将本文改进的二元组优化目标两数和 FaceNet3模型的优化目标函数进行对比,改变木文二元组优 et神经网终进行训练。先对人脸图像作如下定义:选取两幅 人脸图像,当两幅图像代表同一个对象时,图像对为正样木;当化的目标函数形式,可以推导出以下关系 1x。-x,Ⅱ2+x+m<‖x-x,‖2+7-m 两嗝图像代表不同对象时,图像对为负样本。训练的目标是: lxa-x,|2+2m<‖xa-xn‖ 对于所有正样本,其持征向量应该具有较小的欧氏距离;对于 与 LuceNe的目标函数(式(1))作比较可以发现,当设置 所有负样本,其特征向量应该具有较大的欧氏距离。 根据训练目标构造 ResEt模型的目标函数,设定一个阔2m=a时,两个目标函数一致,表示本文二元组的优化目标函 值τ和边界值m(τ>m),则对于所有正样本的图像对,其特征 数可以摧导出 FaceNet三元组优化目标函数,也就是说,本文 二元组优化目标隐式包含 FaceNet三元组优化目标。另外 向量的欧氏距离应该满足 Face-Nt模型训练完成之后,需婁对测试样本进行统计并设置 ‖xa-x212<7-m (3) 距离阈值,从而对新的样本进行分类,而本文并不需要重新设 其中:x和x表示正样本的两幅图像的特征向量。对于所有置新的阈值,直接使用训练过程中的阈值即可,具有更直观的 负样本的图像对,其持征向量的欧氏距离应该漪足 特点。 (4) 其中:x和x表小负样木的两幅图像的特征向量。由此一 来,图像对可以根据特征向量欧氏距离和阈值r的关系来进行 分类,如果小于r,则表示样本为正样本;反之,则为负样本。 另外,边界值m的作用主要是为了在训练阶段更直观地划分 x2,x)正本 正样本和负样本,如图5所示,使用边界值m可以进一步缩小 (x2,x)鱼样本 正样本的距离,扩大负样本的距离,避免样本的距离与阈值r 图5边界值m对样本分类的影响 太过接近,从而出现危险样本。 根据优化日标,可以对 ResNet模型构建误差函数,设定Y 对于正样本,一些方法直接最小化其欧氏距离,如MSE人作为图像对的样本标签,y=1表示图像为正样本,Y=-1表 脸识别模型,其目标函数为 小图像为负样木,则木模型的误差函数表小为 arg min{‖x =max{0,Y(‖x1-x2‖2-7)+m D 该方法的日标是最小化正样木的L2距离,在训练过程中 x1-x2‖2=st∑{x1(i)-x2(i)}2 正样本代表的特征点会越来越接近。本文不使用这种方法, 误差函数表示,本模型的训练数据为图像对,当两个图像 938 计算机应用研究 第36卷 的特征向量之间的欧氏距离满足给定的优化日标时,则不计算过大时,会将正样本的特征向量压缩在很小的距离内,违背了 误差(误差为0),否则将按照SCD优化方法更新模型参数。人脸较大类内差距的特性;当边界值过小时,尢法进一步分离 图6所示为误差函数为特征点的训练结果。 正样本和负样本,可能导致两个不同对象的特征向量在特征空 间中具有较小的距离(危险样本)。数据表明,当选取r=0.8, m=0.2时,模型具有最高的准确率,达到96.68%,表明本文 训练 模型在 acescrube数据库有很好的表现 图6特征点的优化结果 【=085 模型训练完成后,可以使用 ResNet模型对新的图像进行 ,【=0.95 特征提取和分类,判新图像对为正样本或负样本。在对新的图 像进行验证时,舍弃边界值m,保留阈值τ作为欧氏距离的度 00.10.20.30.40.5 量标淮,表达式如下: 边界值人小 图7模型准确率变化曲线 <T 3.1.2LBP特征图融合 本文在图像预处理阶段使用LBP特征图融合方法为人脸 3实验结果与分析 图像构建条件约束,丰富人脸的纹理信息。本节将在Face Serule人脸厍上证明LBP持征图融合算法的有效性。 为了验证木文人脸识别模型的冇效性,以及研究模型参数 设置 Resface和 LBP-Resface两个模型,其屮 Resface模 对识别率的影响将本文模型和传统PCA+LDA、CS-LBP、型不使用LB特征图融合算法,直接将原始人脸图像作为神 Fisher- Vector模型以及基于深度学习的 Cony Net-RBM、Dep-经网络的输入。模型的阈值r和边界值m均设置为0.8和 IDl、 FaceNet3模型进行对比。实验环境为硬件 Intel52.4υ.2。两个模型的准确率随模型的迭代次数变化曲线如图8 GHz CPU,4GB内存,软件环境为64位 Ubuntu操作系统。算所示。 汏主要用C++编程实现,实验过程在 Facescrubel和 LFW20人脸图像库上进行,其中 FaceScrube人脸库用于对模 型进行调参,LFW人臉库用于与其他模型进行对比。 3.1 Face Scrub实验结果与分析 FaceScrube人脸库包含530个对象的106863幅人脸图 像,所有图像均为非限制场景下采集的包括光照、表情、方向、 叫 BP- Res上ace 尺寸大小等变化。 Facescrube人脸库主要用于验证模型的有 100020003000400050006000 迭代次数 效性,保持训练集和测试集不交叉的原则,选择450个对象的 图8模型准确率对比 图像作为训练集,50个对象的图像作为验证集,30个对象的图 分析图8数据可知,使用LBP特征图融合方法的人脸识 像作为测试集,则有约90000个训练图像、1000幅验证图像别模型准确率更高,在相同的训练样本和超参数下, Restate 和600测试图像。使用2.3节所述的神经网络训练方法模型最终的准确率为95.59%, LBP-Res face模利最终的准确 优化人脸识别模型,将图像组合成图像对进行训练和测试,则卒为96.68%,准确率提高了1.13%。另外, LBP- ResFace模 各类样本数量远大于实际图像数量,其中训练集约有1×10型在训练的开始阶段(迭代1000)准确率高出248%,表明 对正样本和4×10对负样本。 使用LBP特征图融合方法的模型具有更快的优化速度,从而 3.1.1超参数的选择 证明了算法的有效性。 本文人脸识别模型有两个超参数,分别是用于限制距离的 阔值7和边界值m。其中,边界值m主要用丁训练阶段,阈值息,将图像的纹理特征更直观地表达出来,加快神经网络的收 r用于训练和测试的全过程。阈值7和边界值m的选取将决敛速度。在人脸的特征提取过程中,不同的人脸区域应该具有 定人脸识别模型的准确率,对于任意正样本,需要使得特征问不同的卷积权值,使用LBP特征图融合算法可以为原始人脸 量之间的欧氏距离小于阙值r与边界值m之差;对于任意负图像添加这类约束。另外,LBP特征图具有光照不变的特点, 样本,需要使得特征向量之间的欧氏距离大阈值r与边界值可以很好地消除非限制场景下光照和阴影对分类结果的影响, m之和。一方面,人脸特征具有一定的稀疏性(较小的类间差提高模型的准确率。 距),因此合理的阈值r不应该过大;另一方面,边界值m的作 用是为了进一步减小正样本的距离和增加负样本的距离如果3.2LFW实验结果与分析 m值与τ值大小接近,会使得所有正样本之间的距离过小,这 IrW°人睑库是有美国马萨诸塞大学计算机视觉实验室 与人脸的特性(较大的类内差距)是不符合的,囚此也会降低采集的包括5749个对象的13233幅人脸图像,其中4069个 模型的准确率。综合考虑以上两种因素,本文设置不同的阈值对象只有一幅图像,1680个对象有超过一的图像。该人脸 7和边界值m组合,其中0.4≤T≤2.0,0.05≤m<,并在库主要是为了研究和比较在非限制场景下人脸识别算法的准 Facescrube人脸库上进行训练测试,最后对准确率进行排序。确率,已成为学术界和业界识别性能评价基准。本文模型先 实验发现,当选择阈值τ在(0.7,1.0)之问时,模型貝有较高在 FaceScrube和ⅤGC- dataface人脸数据库上进行预训练,然后 的准确率。准确率随阈值和边界值变化的关系如图7所示。在LFW提供的标准训练集上作fne- turning训练,最后在LFW 从图7中可以看岀,随着阈值τ的增加,模型的准确率呈枟准测试集上进行测试。为了进一步验证LBP特征图融合算 现先增加后减小的趋势,并在r=0.8时达到最高。对于固定法的有效性,设置 Ours-Resfa和 Ours LBP-Resface两个实验 的阈值,边界值过小或过大都会降低模型的准确率,当边界值模型。前者不使用LBP特征图融合算法。表2所示为LFW人 第3期 周胜阳,等:基于距离限定优化的人脸识别 939 脸库淮确率对比结果 based on multi-feature fusion J]. Journal of Computer Aided De- 表2LHW人脸识别率对比 sign and Graphics,2017,29(9):1667-1672.) 人脸识别模型 准确率/% 人脸识别模型 准确率/% 11 Zhang Ling, Zhang Qing, Xiao Chunxia. Shadow remover: image sha PCA + lDA ep ID dow removal based on illumination recovering optimization J 1.IEEE FaceNel Trans on Image Processing, 2015, 24(11): 4623-4636 ishcr-ycctor Faccs Ours -Resfacc [12 Xiao Chunxia, Gan Jiajia. Fast image dehazing using guided joint bi- Cony Nct-RBM (urs-LBP-ResFacc 99.15 lateral filter J. The Visual Computer, 2012, 28 (6-8): 713-721 由表2数据分析可得:使用本文改进的二元组误差函数训 [13 Xiao Chunxia, Nie Yongwei, Hua Wei, et al. Fast multi-scale joint bi 练神经网络模型的准确率高于其他误差函数训练方法;使用 lateral texture upsamplingl J. The Visual Computer, 2010, 26(4) IBP特征图融合算法的模型准确率有较大提高,说明融合纹理 14 Sun Yi, Wang Xiaogang, Tang Xiaoou. Deep learming face representa- 特征的图像在神经网络上具有更好的特征表达。本文模型结 tion from predicting 10, 000 classes[ C]//Proc of IEEE Conference on 合LBP特征图合和优化二元误差的方法训练神经网络,能 Computer Vision and Pattern Recognition. Piscataway, NJ: IEEE 进一步地限制特征向量的距离,提取更有效的人脸特征向量, Press,20l4:l89l-1898 也充分体现了本文两种方法在人脸识别上的优势。 15 Sun Yi, Wang Xiaogang, Tang Xiaoou, ct aL. Deep learning face repre- sentation by joint identification-verification C / Advances in Neural 4结束语 Information Processing Systems. 2014: 1988-1996 本文为了提高人脸识别算法的准确性和鲁棒性,提出一种 [16] Xi Meng, Chen Liang, Polajnar D, et aL. Local binary pattern network 基于距离优化限定的人脸识别模型。首先在图像预处理阶段 a deep learning approach for face recognition[ C ]//Proc of IEEE In lermalional Conference: an Image Proressing. Pise: alaway, NJ: IEFF 将LBP特征图与原始图像融合,为图像添加纹理信息;然后设 Press.20l6:32243228 计个残差网络模型,将人脸图像编码为128维特征向量,并[17] He kaiming, Zhang xiangyu, Ren Shaoqing,e!, Deep residual lear 提出新的二元误差函数训练神经网络。实验结果表明,该算法 ning for image reeognition[C//Proc of IEEE Conferenee on Compu 更可行、更有效,使用距离优化限定的人脸识別算法,增强了表 ter Vision and Pattern Recognition. Piscataway, NJ: IEEE Press, 2016 小图像特征的能力,且显著提高了人脸识别率。 参考文献 18 Heikkila M, Pietikainen M, Schmid C. Description of interest regions with local binary patterns[ J1. Pattern Recognition, 2009, 42(3) ang Xiaogang, Tang Xiaoou Hybrid deep learning for face 425-436. verification C //Proc of IEEE International Conference on Computer [19]Ng H W, Winkler S. a data-driven approach to cleaning large face Vision. Piscataway, NJ: IEEE Press, 2013: 1489-1496 datasets C//Proc of IEEE International Conference on Image Pro- 12] Taigman Y, Yang M, Ranzato M A, et al. Deep Face: closing the gap to (essing Pise alaWay, NJ: IEF..Press, 2014: 34.3-34 human-level performance in fare verifical ion[C]//Pmc of IEE.F. Col- [20 Huang G B, Mattar M, Berg T, et al. Labeled faces in the wild: a data- Terence on Computer Vision and Pattern Recognition. Piscataway, NJ base for studying face recognition in unconstrained environments[ D IEEE Press,2014:1701-1708 Amherst. University of Massachusetts 2007 [3 Schroff F, Kalenichenko D, Philbin J. FaceNet a unified embedding 关米木末末末冰末木末末木水水米x米末米 for face recognition and clustering C//Proc of IEEE Conference on d Pattern Recognition. Piscat NJ: IEEE Pess.2015:815-823 ‖下期要目 4 Bartlett M S, Movellan J R, S ◆量子鲸鱼优化算法求解作业间调度问题 pendent component analysis[ J]. IEEE Trans on Neural Networks 2002,13(6):1450-464 关☆基丁吋间延迟的多类型维修与经济生产批量联合优化研究兴 [5 Albiol A, Monzo D, Martin A, et aL. Face recognition using HOG-EB 头考虑客户感知和资源效率的汽车机电维修瓶颈设备调度 CM J. Pattern Recognition Letters, 2008, 29( 10): 1537-1543 ◆向中文敏感词变形体的识別方法研究 [6」万源,李欢欢,吴克风,等.LBP和HOG的分层特征融合的人脸识 兴令动态加权网络中的演化社区发现算法研究 别LJ」.计算机辅助设计与图形学学报,2015,27(4):640-650.共令基于资源分配网络的小数据集并行集成学习方法 (Wan Yuan, T i Huanhan, Wu Kefeng, et a/. Hierarchical fealure fil- 兴令新模糊聚类有效性指标 sion of L RP and HOG[J. Journal of Computer Aided Design and 令无传感器PMSM中基于IGO优化EKF的速度估计方法 Graphics,2015,27(4):6404650.) 为令基于词语相关性的对话系统话题分割 7〗徐梦珂,许道云,魏眀俊,基于2D-KP℃A的拉普拉斯特征映射人兴φ基于多元数据的城市区域可达性评估模型 脸识别「J1.计算机应月研究,2017,34(7):2212-2215,2220 ◆批量正则化DBN分类力法研究 Xu Mengke, Xu Daoyun, Wei Mingjun Laplacian feature mapping ☆基丁代价敏感和近似分类质量的决策粗糙集属性约简研究 face recognition based on 2D-KPCA[ I. Application Research of 令基于事务昳射区间求交的高效频繁模式挖掘算法 Computers,2017,34(7):2212-2215,2220.) ◆基于特征相关的偏最小二乘特征选择方法 8] Ahonen T, Hadi A, Pietikainen M. Face recognition with loeal binary*精英群算法及考虑利益相关者的众包定价模型 patterns[C]// Proc of European Conference on Computer vision.兴基于 TextRank的自动摘要优化算法 Berlin: Springer, 2004: 469-481 「9 Simonyan K, Vedaldi a, Zisserman A. Learning local feature descrip*令基于词向量与 Textrank关键词提取方法 兴◆基于Nr降阶的乘积型区间二型模糊控制器结构分析 tors using convex optimisation[ J]. IEEE Trans on Pattern Analysis and Machine Intelligence, 2014, 36(8): 1573-1585 兴◆基于 slope one算法改进评分矩阵填充的协同过滤算法研究兴 兴☆基丁顼编码的分布式频繁项集挖掘算法 L10」杨賽,赵春,刘凡,等.一种基于多种特征融合的人朎识别算法 [冂].计算杌辅助设计与图形学学报,2017,29(9):1667-1672 ☆Som下基于最佳并行度的贪心调度算法 x ( Yang Sai, chao Chunxia,LFan,atal. A face recognition algorithm*象基数度剪监督单训线分算漆*x*x米米x

...展开详情
试读 5P 论文研究-基于距离限定优化的人脸识别.pdf
立即下载 身份认证后 购VIP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-基于距离限定优化的人脸识别.pdf 9积分/C币 立即下载
1/5
论文研究-基于距离限定优化的人脸识别.pdf第1页

试读结束, 可继续读1页

9积分/C币 立即下载