SRC 人臉識別算法分析及改進

張仁霖

（安徽電子信息職業技術學院 機電工程系，安徽 蚌埠 233000）

1 引言

人臉識別[1-3]是近年來迅速發展的生物特征識別技術，其可簡單的描述為：給定某一場景的靜態圖片或動態視頻圖像，根據所存儲的人臉數據庫識別確認一個或多個人臉。人臉識別核心算法的研究具有極高的學術價值和廣泛的應用前景。基于稀疏表征的SRC 人臉識別算法在圖像遮擋時，識別率不高。為了提高算法的識別率，我們提出了SRC_E 和SRC_P 算法，并在AR 人臉數據庫上進行驗證。

2 SRC_E 算法

2.1 SRC_E 算法原理

其中， eγ 不再只是測試圖像被部分遮擋產生的誤差。隨著γ的改變，其表現出不同的像素誤差。找到一個合適權值，使線性誤差轉移到 eγ 中，矩陣變為：

從公式(3)可知，γ可以調節y 和e 比重，隨著γ的增加，e 的比重漸增大，?x 和?e 的非零項會隨γ而變化。設γ變化解集如下：

當γ=0 時，x 是y =Ax的解；當λ =1 時，x 是y =Ax +e 的解；當γ →∞時，x=0。所以SRC_E因不同權值而獲得不一樣的解，擴大了解的范圍。

當權值γ 為某一確定值時，其殘差值為：

2.2 SRC_E 算法流程圖及步驟

SRC_E 的算法流程圖如圖1 所示。

圖1 SRC_E 算法流程圖

（3）歸一化樣本矩陣B，測試樣本y

（4）解決(1?) 其最小化問題

3 SRC_P 算法

SRC_P 算法通過對人臉進行分塊表示，將每一個人臉圖像中對應的分塊進行集成，構成特征子集。然后用SRC 算法對每個特征子集進行分類識別，最后通過投票表決的方法來決定測試圖像的類別[4]。

假設有4 類標準人臉樣本 A1, A2, A3,A4，每類有10 張圖片。

3.1 圖像分塊

針對人臉圖像進行分塊處理，以2 × 2分塊為例，第一類樣本的第一張人臉可以分成4 塊并轉換成列矩陣： A1,1,1, A1,1,2, A1,1,3,A1,1,4，第一類樣本的第二張人臉可分為： A1,2,1, A1,2,2, A1,2,3,A1,2,4；同樣可得第二類樣本的第一張人臉可分為： A2,1,1, A2,1,2, A2,1,3,A2,1,4。據此分類原則，所有的人臉圖片都分為4 塊，Ai,j,k表示第i 類樣本的第j 張人臉的第k 個子塊。

3.2 獲取特征子集

對人臉圖片進行分塊處理后，將每類人臉圖片中對應序號的子塊進行集成，得到特征子集。例如：第一類特征子集為

3.3 分類識別

作為訓練樣本矩陣， B1,1作為測試列矩陣，用SRC算法進行分類識別，可以得到 B1,1所屬類別。同理可以得到 B1,2, B1,3,B1,4所屬類別。

第3 步：對 B1,1, B1,2, B1,3,B1,4得到的所屬類別通過投票表決的方法確定測試樣本人臉圖片B 所屬類別。整個流程如圖3 所示。

圖2 2×2 分塊狀態下人臉圖像子集構建示意圖

圖3 SRC 分塊算法（SRC_P）流程圖

4 實驗結果與分析

4.1 SRC_E 算法測試

本測試采用AR 人臉數據庫[5,6]數據庫共包含100 種樣本類別的人臉圖像，其人臉圖像具有表情變化，光照變化和部分遮擋。

選用AR 數據庫中100 個人，將未遮擋的7幅圖片作為樣本，3 幅戴墨鏡遮擋的，作為測試樣本。經過采樣，圖片分辨率從原來的165×120 轉換為42×30，如圖4 所示。

對最小60×60 范數問題求解時，設定的兩個測試參數為最大迭代次數為400，正則化因子為0.01。測試結果如表1 所示。

圖4 測試所用AR 人臉庫中的人臉圖片（上為訓練樣本圖片，下為測試樣本圖片）

由表1 可見，在墨鏡遮擋時，SRC_E 算法取得的效果非常好。隨著加權系數增加，識別率也逐漸增加，在有遮擋等影響情況之下，識別率達到88%以上，在γ=2 時，識別率達高達88.67%，比SRC 算法高出9.67 個百分點。最后，加權系數γ的函數是一個凸函數，SRC_E 算法總有合適的權值，來提高識別率。

表1 不同加權系數下的人臉識別率

4.2 SRC_P 算法測試

測試采用AR 人臉數據庫，選取每人無遮擋的人臉圖片的7 張作為訓練樣本，共700 張人臉圖片；選取每人戴圍巾遮擋的人臉圖片的3 張，共300 張人臉圖片作為測試樣本。

（1）進行局部特征提取[7,8]訓練樣本的每張圖片的三個局部特征：前額、右眼、鼻子。局部特征塊大小分別為40×120、40×60、35×40。然后分別對每張人臉圖片的局部特征塊進行集合構成局部特征子集，即獲得前額、右眼、鼻子三個局部特征矩陣。對測試樣本進行同樣處理，同樣獲得測試樣本的三個局部特征矩陣。然后，對每個局部特征使用SRC 算法進行分類識別，求取每個局部特征的正確識別率，結果如表2 所示。

由表2 可以看出，同樣條件下，人臉圖片的每個局部特征塊的識別率都不同，并且都有較高的識別率。由此可以說明，對人臉進行分塊處理對算法魯棒性的提高有很大的幫助。

表2 不同特征塊的正確識別率

（2）對訓練樣本每張人臉圖片進行4×2 分塊處理，左側4 個特征塊大小分別為：40×60、40×60、35×60、60×60。之后獲得每個特征塊的特征子集，構成8 個訓練樣本特征集：Traini（i=1-8）。同樣對訓練樣本進行4×2 分塊處理，獲得測試樣本的8 個特征子集：Testi（i=1-8）。然后，對用SRC 算法對每個特征子集進行分類識別。最后對8 個分類結果采用投票表決的方式求得人臉圖片的分類結果，并計算出訓練樣本的正確識別率，結果如表3 所示。

由表3 可以看出，SRC_P 算法對戴圍巾遮擋人臉圖片的正確識別率達到了89.33%，比直接使用SRC 算法進行人臉分類識別獲得的正確識別率39.67%提高了49.66%，這說明SRC_P 在人臉有遮擋的情況下比SRC 算法更有優勢。

表3 SRC_P 算法正確識別率

5 結論

由SRC_E 算法測試可以看出，當加權系數γ=2時，SRC_E 算法正確識別率可以達到88.67%，比采用SRC 算法獲得正確識別率79%高出了9.67 個百分點；在SRC_P 算法測試中，SRC_P 正確識別率為89.33%，比SRC 算法計算戴圍巾遮擋人臉的識別率39.67%提高了49.66%。由此可以得出，SRC_E 和SRC_P 算法在有遮擋情況下，比SRC算法具有更好的識別性能。