相似遮擋區域碎片重構的魯棒人臉識別算法

李桂珍

?

相似遮擋區域碎片重構的魯棒人臉識別算法

李桂珍

基于壓縮感知技術，提出了一種面向遮擋的人臉識別算法。首先，將圖像分成各個局部小塊，并構建相似遮擋區域；然后，重構圖像碎片，從而檢測遮擋區域；最后，利用非遮擋區域獲取遮擋截面，投票機制完成人臉識別。實驗結果顯示，其算法在AR和LFW人臉庫上的最高識別率分別可高達99.8%和83.8%，優于其他幾種遮擋人臉識別算法，此外，該算法對不同遮擋級別的人臉具有較好的魯棒性。

人臉識別；壓縮感知；遮擋區域檢測；圖像碎片重構；魯棒性；投票機制

0 引言

目前，人臉識別已廣泛應用于社交網絡、照片管理軟件和訪問控制系統[1]。人臉識別過程中將面臨許多難點，例如，拍攝人臉時經常會伴隨眼睛、圍巾、長發等遮擋，大大地增加了識別難度[2,3]。

文獻[4]提出了一種抗遮擋的人臉識別方法，將人臉圖像序列歸一化到相同形狀，利用PCA將數據庫中的每個特殊人臉進行紋理重建，重建后遮擋的像素點與人臉圖像序列差異變大，從而可以很好地識別遮擋像素點。然而，該方法檢測和識別遮擋區域時會產生較高的計算成本，且對不同遮擋級別得人臉的魯棒性不是很好。

基于壓縮感知技術，提出了一種對不同遮擋級別的人臉具有較強魯棒性的人臉識別方法。將人臉圖像劃分成更小的圖像塊，分別處理各個圖像塊，構建相似遮擋區域時會產生不必要的遮擋碎片，識別階段將這些區域去掉。評估結果表明，本文算法的性能優于其他幾種人臉識別方法。

1 人臉識別模型

為了建立一個準則去判斷是否識別過程順利完成，文獻[8]定義了向量的一個系數（稀疏集中指數），即，，，表示不同類別或字典中的個體。是上的函數，將與類中元素不相符的中系數設為零。

為了判斷識別的人臉是否位于字典中，定義余量如公式（1）：

當需要識別的人臉發生部分遮擋時，需將產生的錯誤情況進行特殊建模。因此，可將遮擋當成影響部分人臉圖像的錯誤如公式（2）：

服從的（3）

然后，為了計算出檢測到的個體的身份，對公式（1）中的余量進行變形，改寫為公式（4）：

去除每個小塊后，利用投票機制決定這個人臉所對應的身份。利用這種方法，可以預見到當某些人臉區域發生遮擋，可利用其余的區域獲取正確的人臉身份。而且，可利用每個圖像塊計算所得的系數確定最易受遮擋影響的圖像塊。

式中得公式（6）、（7）：

（6）

主要問題在于能否檢測到使遮擋盡量少的影響圖像塊的最優劃分方法，當然也存在其它方面的問題，即該方法僅利用了每個分割塊中的局部特性，沒有考慮正副人臉圖像的全局信息。為了克服該限制，提出了一種能夠檢測出遮擋區域的方法。

2 提出的遮擋檢測算法

2.1 構建相似遮擋區域

如圖1所示：

（a）合成遮擋圖像；（b）相同目標的其它圖像，姿勢、表情和光照條件相似；（c）圖（a）和（b）的差分結果圖像；（d）閾值時的結果圖像。

對于如圖1（a）中所示圖像，假設可使用某種技術獲取同一個對象的無遮擋人臉圖像，如圖1（b）所示，這些圖像擁有相同的姿勢、表情以及光照條件。利用圖1（a）和圖1（b）差值的絕對值獲得圖1（c），圖1（c）中的非空像素點表示受到遮擋影響的像素點。通過閾值獲取圖像1（d），通過圖像1（d）獲取相似的遮擋區域。圖1（d）顯示了一些標記的感興趣點，從圖中可看出，嘴和鼻子附近存在一些被錯誤識別為遮擋的截面，通過對應鄰近像素間的比較可去除這些錯誤截面。此外，圖像的右上角一些頭發被當成遮擋障礙物。圖像1（a）中圖像前方部位的頭發在圖1（b）中并沒有出現，檢測到的遮擋區域包括兩幅圖像中頭發覆蓋的區域。眼睛中的虹膜區域沒有標記為遮擋區域，這是由于合成遮擋圖1（a）中并沒有將黑色區域作為非典型值。

2.2 圖像碎片重構

2.3 識別

運用算法1處理含有較高遮擋像素比例的像素集合，獲取的結果圖像有可能與圖像序列差異很大。在所有獲取的圖像中，尋找一個最大的圖像，其中，表示像素點個數，，是給定的閾值。

利用算法2中的迭代過程可以提高精確度，算法2對不同的子集進行處理選取最優的結果。

算法2：利用非遮擋區域完成識別

5）：end for

3 實驗結果及分析

在AR數據庫[9]及戶外人臉數據庫LFW[10]上進行實驗，設置閾值。實驗均在4G內存Intel(R) Core(TM) 2.93GHz Windows XP機器上完成，編程環境為MATLAB 7.0。

3.1 數據庫

AR數據庫由126個人的正面人臉超過3200幅彩色圖像組成：70個男性和56個女性，每個人有26幅不同的圖像，對于每個對象，間隔兩周在兩個不同會話采集圖像，每個會話由13幅圖像組成，臉部表情、光照和局部遮擋各有不同。樣本示例如圖2所示：

圖2 AR人臉數據庫中的圖像示例

戶外人臉數據庫包含大街上光照不受控制的陌生人臉圖像的正面照，遮擋源包括眼鏡、帽子、頭發和放在臉上的手，除了遮擋，這些圖像也包含表情變化和姿勢變化，圖像示例如圖3所示：

圖3 戶外人臉數據庫中的圖像示例

3.2 子塊大小影響

在AR人臉數據庫上研究子塊大小對本文算法識別性能的影響，選取40個人每人10張無遮擋圖像用于訓練，1張無遮擋圖像和5張遮擋圖像用于測試，測試圖像的遮擋級別從0到50%，所有圖像都裁剪為大小，子塊大小設置為至之間，結果如圖4所示：

圖4 子圖像的大小對識別率的影響

3.3 識別結果比較

3.3.1 AR人臉庫

使用每人8幅圖庫圖像算法與幾種較為先進的面部遮擋人臉識別算法進行了比較，所有算法僅使用灰度值特征，結果如表1所示：

表1 AR數據庫上幾種算法的識別率（%）

從表1可以看出，相比其他幾種算法，本文算法能獲得與這些算法相當甚至更好的識別率。而在識別效率上，本文算法的識別速率約為文獻[4]算法的15倍。在圍巾集這種幾乎遮擋住一半人臉的數據集上，本文算法僅對2%的圖像誤分類，表明了本文算法對圍巾遮擋圖像具有較好的魯棒性。

3.3.1 LFW人臉庫

在LFW人臉數據庫上測試本文算法。實驗選擇包含55個對象的一個圖像集，對于每個對象，分別選擇幅未遮擋的圖像用于訓練，有不同遮擋級別的110幅圖像用于測試，訓練集與測試集不相交。從每幅圖像的背景中裁剪出人臉區域，調整大小為。識別結果如表2所示：

表2 LFW上的識別率（%）

從表2可以看出，由于自然遮擋的挑戰，所有算法的整體識別率相對較低，但相比其他幾種算法，本文算法總體上仍能獲得最好的識別性能，由此可見其可靠性及優越性。

4 總結

為了提高人臉識別算法對不同級別遮擋的魯棒性，基于壓縮感知林雨技術，提出了一種新穎的人臉識別算法。檢測遮擋區域，在識別處理階段提取這些遮擋區域，利用這些區域所包含的信息進行識別。實驗結果顯示，相比其他幾種遮擋人臉識別算法，本文算法取得了更高的識別率，且對不同級別的遮擋具有較好的魯棒性。

實驗表明，成功檢測遮擋區域對于正確識別至關重要，在檢測遮擋區域過程中像素集合的選取十分重要，這將是今后研究的重點。

參考文獻：

[1] Goldberg L J. Face Recognition and the Social Individual[J]. Biosemiotics, 2013, 6(3): 573-583.

[2] 薛雨麗, 毛峽, 呂善偉. 遮擋條件下的魯棒表情識別方法[J]. 北京航空航天大學學報, 2010, 36(4): 429-433.

[3] 薛冰, 郭曉松, 蒲鵬程. 人臉識別技術綜述[J]. 四川兵工學報, 2010, 31(7): 119-121.

[4] Chiang C C, Chen Z W. Recognizing partially-occluded faces by recovering normalized facial appearance [J]. International Journal of Innovative Computing Information & Control, 2011, 7(11): 6219-6234.

[5] 熊鵬飛, 劉昌平, 黃磊. 基于三維建模的眼鏡遮擋下人臉識別[J]. 模式識別與人工智能, 2011, 24(5): 692-699.

[6] 程正東. 基于子空間的人臉識別[M]// 基于子空間的人臉識別. 清華大學出版社, 2009.

[7] Liu G, Yan Y, Wang H. Robust Modular Linear Regression Based Classification for Face Recognition with Occlusion[C]// IEEE: International Conference on Image and Graphics. IEEE: NY, USA. 2013: 509-514.

[8] Wright J, Yang A Y, Ganesh A, et al. Robust Face Recognition via Sparse Representation [J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2009, 31(2): 210 - 227.

[9] 陸華. 基于局部二值模式的人臉識別和表情識別研究[D]. 山東大學, 2014.http://vis-www.cs.umass.edu/lfw/index.html

Robust Face Recognition Using Fragment Reconstruction in Similar Occlusion Area

Li Guizhen

(Xinjiang Agricultural Vocational Technigcal College, Changji 831100, China)

A face recognition algorithm based on compressed sensing technology for occlusion is proposed. Firstly, images are divided into each local small piece, and similar occlusion areas are constructed. Then, images fragments are reconstructed to detect occlusion area. Finally, non-occlusion areas are used to get occlusion section, and voting mechanism is used to finish face recognition. Experimental results show that the face recognition accuracy of proposed algorithm can achieve at 99.8% on AR and 83.8% on LFW databases, respectively, which is higher than several other occlusion algorithms. Besides, proposed algorithm has good robustness for face with different occlusion levels.

Face Recognition; Compressed Sensing; Occlusion Area Detection; Image Fragment Reconstruction; Robustness; Voting

1007-757X(2016)04-0036-04

TP391.4

A

（2015.12.10）

新疆維吾爾自治區自然科學基金項目（2013211A031）

李桂珍（1982-），女，新疆農業職業技術學院，信息技術學院，碩士，講師，研究方向：圖像處理、軟件工程等，昌吉，831100