1、基于协同表征的人脸识别系统研究 史凌祎 储磊 李雪宝 郑艳芳 江苏科技大学苏州理工学院电气与信息工程学院 摘 要： 协同表征使用 l2范数作为正则化因子, 将训练样本表示为一组特定基向量的最优逼近形式, 同时保证基向量的个数尽可能少, 这个过程对于光照、遮挡的人脸识别有良好的鲁棒性, 且使得该算法有着极低的复杂度。鉴于这些优点, 设计一套基于协同表征的人脸识别系统。通过读入人脸图片, 系统能够实时对图片中的人脸进行检测、定位与识别。通过对 Yale 人脸数据库以及真实环境下的人脸图片进行识别测试, 论证了系统的有效性。关键词： 人脸识别; 人脸检测; 稀疏表征; 协同表征; 线性回归; 作者简
2、介：史凌祎 (1987-) , 男, 河南周口人, 硕士研究生, 助理实验师。研究方向:模式识别、图像处理。基金：国家自然科学基金 (项目编号:11703009) Research on Face Recognition System based on Collaborative RepresentationShi lingyi Chu lei Li Xuebao Zheng Yanfang College of Electrical and Information Engineering, Suzhou Institute of Technology, Jiangsu University
3、of Science and Technology; Abstract： Using l2 norm as regularization factor, collaborative representation represents training samples as the optimal approximation form of a set of base vectors, at the same time, ensures the base vectors as few as possible, which is robust to illumination and occlusi
4、on of face recognition. Besides, this algorithm has a low-complexity. In consideration of these advantages, a face recognition system based on collaborative representation is designed. By reading face images, the system can detect, locate and recognize the human face in the picture in real time. The
5、 effectiveness of the system is demonstrated by the recognition test of Yale face database and face images in real environment.Keyword： face recognition; face detect; sparse representation; collaborative representation; linear regression; 1 引言在模式识别领域, 人脸具有非接触性、易获得等优点, 这使得人脸识别技术成为一种友好的身份验证方式1。如何快速定位一
6、个复杂场景中的人脸, 并将其识别, 蕴含着巨大商业价值和社会价值。从 2009 年开始, 大量的基于稀疏表征的分类算法 (Sparse Representation Classification, SRC) 2被提出并应用到人脸识别技术。协同表征 (Collaborative Representation Classification, CRC) 3是一种改进的稀疏表征算法, 该算法使用 2范数作为正则化因子, 将一个过完备字典中所有的训练样本表示为测试图像的线性组合形式, 这个过程实质上是解决一个带 2范数约束的最小二乘回归问题。CRC算法对于光照、遮挡的人脸识别有良好的鲁棒性, 并且该算法
7、有着极低的复杂度, 在模式识别领域得到广泛应用。本文采用 CRC 算法, 设计并实现一套基于协同表征的人脸识别系统, 该系统首先使用 Adaboost 人脸检测算法定位到一幅图像中的人脸坐标, 并使用 CRC 算法获取该人脸在过完备字典中所属的类别标签。2 总体框架所设计的系统, 集成了人脸识别过程中重要的过完备字典构造、图像预处理、人脸检测以及人脸识别等模块。首先, 将多幅带有类别标签的人脸图片录入数据库, 并将每一幅图片张成的列向量作为字典的原子, 进而得到训练过的人脸数据库;第二, 系统读取一幅人脸图片, 作为测试样本, 使用 Adaboost 算法对测试样本进行人脸检测, 获取面部坐标
8、信息, 并对提取的人脸图片进行归一化处理与特征提取;最后, 使用 CRC 算法, 识别测试样本在人脸数据库中的类别标签。整个过程如图 1 所示。图 1 系统总体设计示意图 下载原图3 基于协同表征的人脸识别系统设计3.1 训练样本字典在基于协同表征的人脸识别模型中, 将过完备字典的每一列作为字典中的一个原子, 测试样本可以表示为原子之间协同合作的线性组合形式。本系统中所设计的过完备字典, 构造过程可描述为:将所有的训练样本读入系统, 并给每一个样本设置类别标签;对各个样本矩阵进行归一化和灰度处理, 并将矩阵拉伸为列向量, 每一个列向量作为过完备字典的一列;最后, 对字典进行特征提取, 得到最终
9、的训练样本字典 A。本系统采用了特征脸的方式提取了每一个样本的 80 维特征。3.2 人脸检测算法设计系统使用 Adaboost 算法4进行人脸定位。Adaboost 通过提取样本的 Haar-Like 特征5来判断图像中的人脸信息。本系统设置一个 2020 的 Haar-Like模板, 以水平移动的方式遍历整个被检测图片。遍历过程中, 模板将记录每一个位置的 Haar-Like 特征。该过程如图 3 所示。图 2 模板提取 Haar-Like 特征的过程 下载原图Adaboost 算法通过 Haar-Like 特征来判断该图片中是否存在人脸信息, 这个过程将形成若干 Adaboost 弱分类
10、器。在弱分类器形成之后, 系统会通过各个分类器的迭代训练, 形成强分类器, 而人脸信息的位置信息正是由强分类器所决定的。3.3 人脸识别系统使用 CRC 算法计算测试样本的类别标签。CRC 算法的主要工作是求解以下最优化问题3:其中 A 为所有训练样本组成的过完备字典矩阵, y 为测试样本, 为误差容忍参数, x 表示测试样本的线性表示系数, 本系统通过计算式 (1) 来得到最优系数 x。在获取重构系数 x 之后, 系统使用式 (2) 求解样本 y 的重构误差, 并选取最小ri所在的类别, 作为该测试样本 y 的所属类别, 并输出识别结果。4 实验Yale 数据库中有 15 人, 每人包含了
11、11 幅不同光照、表情的正面人脸照片。本实验随机选取 Yale 库中每人的 3 幅照片作为测试样本, 其余 8 幅为训练样本。除此之外, 拍摄了 8 个人的 88 幅不同表情、不同角度的真实环境照片, 其中每人有 11 幅。随机选取其中 3 幅作为测试样本, 其余 8 幅作为训练样本。两种环境下使用本系统的识别效果如图 4 所示。图 3 本系统在 Yale 数据库和真实环境下的识别效果 下载原图提取所有训练样本组成冗余字典, 将 Yale 数据库和真实环境下共 69 张测试样本进行测试, 本系统测试结果如表 1 所示。由表 1 可知, 在两种环境下, 本系统都表现出良好的识别效果。其中 Yal
12、e 数据库的识别率偏高, 是因为实验室环境条件更加有利于识别。另外, 选取的训练样本数量也是制约识别效果的关键因素, 因为构建的训练样本字典非完备, 则会导致测试样本不能很好被训练样本协同表征。表 1 Yale 数据库和真实环境下的识别率对比 下载原表 5 结语所设计的基于协同表征的人脸识别系统包含了人脸识别过程中的字典构造、人脸检测、特征提取及人脸识别等技术。人脸检测方面, 所采用的 Adaboost 算法很好利用了弱分类器进行级联, 给后续的识别提供了良好的前提条件;人脸识别方面, 所采用的 CRC 算法对光照、遮挡条件都有良好的鲁棒性, 且算法复杂度很低, 保证了系统的实时性。本文从算法
13、分析和系统的实现两方面进行了详细的阐述, 并通过 Yale 数据库和真实环境两个方面的实验论证系统的有效性。参考文献1王映辉.人脸识别原理、方法与技术M.北京:科学出版社, 2010:4-10. 2Wright J, Yang A Y, Ganesh A, et al.Robust Face Recognition via Sparse RepresentationJ.IEEE Trans.on Pattern Analysis and Machine Intelligence, 2009, 31 (2) :210-227. 3Zhang L, Yang M, Feng X.Sparse Re
14、presentation or Collaborative Representation:Which Helps Face Recognition?C.IEEE International Conference on Computer Vision, 2011:471-478. 4Mozos O M, Stachniss C, Burgard W.Supervised Learning of Places from Range Data using Ada BoostC.IEEE International Conference on Robotics and Automation, 2005:1730-1735. 5Lienhart R, Maydt J.An extended set of haar-like features for rapid object detectionC.IEEE International Conference on Image Processing, 2002:900-903.
