周建華++李歡歡++陳彥羽

摘 要 對(duì)人臉圖像進(jìn)行變換壓縮存儲(chǔ)后進(jìn)行識(shí)別通常會(huì)造成系統(tǒng)資源的浪費(fèi)且識(shí)別率不高，針對(duì)此問題，提出了一種基于壓縮感知低秩稀疏分解的人臉識(shí)別方法。采集端以較低的采樣頻率在采樣的同時(shí)計(jì)算圖像信號(hào)的觀測(cè)值，識(shí)別端以非線性最優(yōu)化重構(gòu)后比較低秩大系數(shù)來進(jìn)行人臉識(shí)別。在公共人臉庫ORL上的仿真實(shí)驗(yàn)結(jié)果表明，文中算法相對(duì)于同類算法，識(shí)別精確度和識(shí)別速度都有一定的提高。

【關(guān)鍵詞】壓縮感知 低秩稀疏分解 人臉識(shí)別

由于視頻監(jiān)控正在快速普及，眾多的視頻監(jiān)控應(yīng)用迫切需要一種遠(yuǎn)距離、用戶非配合狀態(tài)下的快速身份識(shí)別技術(shù)，以求遠(yuǎn)距離快速確認(rèn)人員身份，實(shí)現(xiàn)智能預(yù)警。人臉識(shí)別系統(tǒng)通常包括圖像攝取、人臉定位、圖像預(yù)處理、以及人臉識(shí)別（身份確認(rèn)或者身份查找）幾個(gè)模塊。在人臉識(shí)別模塊中相關(guān)學(xué)者提出了模板識(shí)別、神經(jīng)網(wǎng)絡(luò)識(shí)別、主成分分析等多種有效的人臉識(shí)別算法。但這些算法都是在先獲取人臉原始圖像為前提，然后對(duì)圖像進(jìn)行變換壓縮存儲(chǔ)后進(jìn)行識(shí)別，造成系統(tǒng)資源的浪費(fèi)且識(shí)別率不高，本文在壓縮感知框架下提出一種低秩稀疏分解的人臉圖像識(shí)別技術(shù)，以較低的采樣頻率在采樣的同時(shí)計(jì)算圖像信號(hào)的觀測(cè)值，重構(gòu)識(shí)別中進(jìn)行非線性低秩系數(shù)比較，由于較好地利用人臉圖像信號(hào)的稀疏結(jié)構(gòu)和不相關(guān)性，識(shí)別效率相比現(xiàn)有的算法有一定的提高。

1 人臉圖像測(cè)量與重構(gòu)

將二維人臉圖像小波變換為一維離散信號(hào)X，采用基矩陣聯(lián)合經(jīng)驗(yàn)權(quán)值線性組合為

式中，如果X在基矩陣上有且僅有K個(gè)大系數(shù)，則定義是X上的一個(gè)有效稀疏基，同理可以找到圖像信號(hào)多個(gè)稀疏基，構(gòu)成完備字典稀疏基。采用一個(gè)或多個(gè)聯(lián)合稀疏基對(duì)信號(hào)X進(jìn)行完備測(cè)量，其中Φ稱為在基下的測(cè)量值矩陣，其測(cè)量值個(gè)數(shù)為M×N。重構(gòu)時(shí)間，采用正交匹配算法BOMP求解最優(yōu)化重建恢復(fù)，通過測(cè)量矩陣值y和觀測(cè)矩陣Φ逆變換最優(yōu)漸進(jìn)求解得到原始人臉圖像近似信號(hào)矩陣X，其最優(yōu)問題重建過程如下式

2 特征點(diǎn)低秩稀疏分解識(shí)別

考慮人臉圖像特征點(diǎn)定位，采用小波域特征點(diǎn)為中心的分塊采樣策略，分塊分頻率重建。特征點(diǎn)低秩稀疏性是以特征點(diǎn)自適應(yīng)大小灰度再生矩陣，經(jīng)變換后矩陣仍然較大但具有稀疏性，分解的目的是從稀疏的誤差中恢復(fù)出本質(zhì)上低秩的人臉圖像數(shù)據(jù)矩陣，矩陣低秩稀疏分解也稱為低秩矩陣恢復(fù)，將已采集到的人臉圖像和特識(shí)別的圖像均進(jìn)行特征點(diǎn)低秩稀疏分解后存儲(chǔ)后，根據(jù)特征點(diǎn)稀疏矩陣系數(shù)進(jìn)行分析比較進(jìn)行識(shí)別。定義網(wǎng)絡(luò)人臉模型中眉、眼、鼻特征點(diǎn)，通過文獻(xiàn)[2]算法確定其N個(gè)特征點(diǎn)的三維坐標(biāo)并創(chuàng)建特征點(diǎn)相鄰灰度再生矩陣。令其對(duì)象特征點(diǎn)向量為，則可以將特征點(diǎn)一定范圍相鄰灰度再生矩陣表示為：

其中X表示其特征點(diǎn)光照特征矩陣，Y表示其特征點(diǎn)姿態(tài)特征矩陣，Z表示其特征點(diǎn)紋理特征向量矩陣。構(gòu)造訓(xùn)練樣本為人臉樣本的超完備字典，對(duì)其進(jìn)行稀疏化特征表示為測(cè)試樣本，尋找最佳稀疏表示自然能區(qū)分出訓(xùn)練樣本中的不同類別。

3 實(shí)驗(yàn)分析

通過本文算法，實(shí)驗(yàn)數(shù)據(jù)是在ORL中選擇不定數(shù)個(gè)人臉圖像為訓(xùn)練樣本，其庫中剩余人臉為測(cè)試樣本，如圖1所示為2個(gè)人臉圖像訓(xùn)練樣本。通過有限次（大于100次）實(shí)驗(yàn)得到識(shí)別算法精度和耗時(shí)結(jié)果平均值，本文所提的算法在時(shí)間復(fù)雜度上有所降低，在識(shí)別精度上大大提高，幾種經(jīng)典識(shí)別算法在復(fù)雜度、精確度及耗時(shí)的比較如表1所示。

4 結(jié)論

本文針對(duì)目前人臉識(shí)別系統(tǒng)中先壓縮后存儲(chǔ)再進(jìn)行識(shí)別，造成系統(tǒng)資源的浪費(fèi)且識(shí)別率不高的問題，在壓縮感知框架下提出一種低秩稀疏分解的人臉圖像識(shí)別技術(shù)，較好地利用人臉圖像信號(hào)的低秩稀疏性，相比現(xiàn)有的算法在精度和準(zhǔn)確度都有一定的提高。然而本文工作僅考慮人臉圖像的特征點(diǎn)低秩稀疏特性，今后將在復(fù)雜環(huán)境下（部分遮擋、強(qiáng)光照射等）的魯棒性及精確率上做進(jìn)一步實(shí)驗(yàn)研究。

參考文獻(xiàn)

[1]周建華.基于特征點(diǎn)配準(zhǔn)形變的三維人臉表情合成[J].西安文理學(xué)院學(xué)報(bào)（自然科學(xué)版）.2010，13（04）：71-74.

[2]Gross R，Matthews I，Cohn J.Multi-PIE[J].Image and Vision Computing，2015，38（05）：807-813.

作者簡(jiǎn)介

周建華（1974-），男，湖南省寧鄉(xiāng)市人。湖南警察學(xué)院信息技術(shù)系副教授，主要從事壓縮感知及圖像處理研究。

作者單位

湖南警察學(xué)院 湖南省長(zhǎng)沙市 410138endprint