采用雙字典協(xié)作稀疏表示的光照及表情頑健人臉識(shí)別

（寧波大學(xué)信息科學(xué)與工程學(xué)院，浙江 寧波 315211）

采用雙字典協(xié)作稀疏表示的光照及表情頑健人臉識(shí)別

龔飛，金煒，朱珂晴，符冉迪，曹燕

（寧波大學(xué)信息科學(xué)與工程學(xué)院，浙江 寧波 315211）

提出一種采用小波變換 （WT）及雙字典協(xié)作稀疏表示分類 （CSRC）的人臉識(shí)別方法——WT-CSRC。WT-CSRC首先利用PCA（主成分分析）將小波分解后的人臉高頻細(xì)節(jié)子圖融合成高頻細(xì)節(jié)圖像；然后用PCA分別對(duì)人臉低頻圖像和高頻細(xì)節(jié)圖像進(jìn)行特征提取，構(gòu)造低頻和高頻特征空間，并用訓(xùn)練樣本在兩種特征空間上的投影集構(gòu)造低頻字典和高頻字典；最后將測(cè)試樣本在兩種字典上進(jìn)行稀疏表示，并引入互相關(guān)系數(shù)以增強(qiáng)人臉識(shí)別的可靠性，實(shí)現(xiàn)了人臉的協(xié)作分類。實(shí)驗(yàn)結(jié)果表明，提出的方法提高了人臉識(shí)別率，對(duì)光照變化及表情變化具有較強(qiáng)的頑健性，并且具有較高的時(shí)間效率。

人臉識(shí)別；雙字典；協(xié)作稀疏表示；互相關(guān)系數(shù)

1 引言

人臉識(shí)別技術(shù)因其在系統(tǒng)安全驗(yàn)證、身份管理、信用驗(yàn)證、智能家居等方面的巨大應(yīng)用前景，成為一個(gè)當(dāng)前模式識(shí)別和人工智能領(lǐng)域越來(lái)越熱門的研究方向[1]，特別是隨著移動(dòng)應(yīng)用的發(fā)展，面向移動(dòng)終端的人臉識(shí)別技術(shù)更是成為移動(dòng)身份認(rèn)證的重要手段。然而，現(xiàn)有的人臉識(shí)別技術(shù)大都僅在光照均勻、表情及姿態(tài)變化小、無(wú)遮擋等理想場(chǎng)景下才能取得較好的效果，而在實(shí)際應(yīng)用中，終端可隨意移動(dòng)，難以保證理想的成像條件，因此，非理想條件下的頑健人臉識(shí)別方法成為移動(dòng)身份識(shí)別亟待解決的問(wèn)題，特別是光照及表情頑健的人臉識(shí)別研究，仍然是當(dāng)前人臉識(shí)別研究中的挑戰(zhàn)和熱點(diǎn)之一。

一般而言，人臉識(shí)別包括人臉特征的提取及相似度計(jì)算兩個(gè)環(huán)節(jié)；傳統(tǒng)全局特征提取算法如主成分分析[2]（principal component analysis，PCA）、線性判別分析[3]（linear discriminantanalysis，LDA）等在復(fù)雜人臉樣本上的識(shí)別率較低，對(duì)光照、表情變化等因素的頑健性較差。Wright等人[4]近年提出了一種基于稀疏表示分類（sparse representation-based classification，SRC）的人臉識(shí)別方法，該方法模仿人類的視覺(jué)壓縮感知特性，利用訓(xùn)練樣本來(lái)線性表示測(cè)試樣本，最后通過(guò)最小殘差來(lái)實(shí)現(xiàn)人臉識(shí)別。稀疏理論為解決許多棘手的人臉識(shí)別難題提供了新思路，將稀疏表示分類應(yīng)用于人臉識(shí)別成為近年來(lái)的研究熱點(diǎn)。Yang等人[5]將利用Gabor特征訓(xùn)練字典，提出一種基于Gabor字典的稀疏表示分類（SRC）人臉識(shí)別方法——GSRC，該方法提高了人臉識(shí)別率，且具有一定的頑健性，但Gabor變換需要對(duì)人臉進(jìn)行多尺度和多方向的分解，其計(jì)算過(guò)程復(fù)雜、識(shí)別時(shí)間較長(zhǎng)；張勇等人[6]將LDA方法引入SRC，實(shí)現(xiàn)了一種基于線性判別和稀疏表示分類（LDA-SRC）的人臉識(shí)別方法，但由于LDA類內(nèi)散度矩陣的奇異性問(wèn)題，使得LDA-SRC在許多人臉識(shí)別問(wèn)題上無(wú)法順利進(jìn)行，并且該方法沒(méi)有考慮光照、表情、遮擋等因素的影響；Tang等人[7]提出了一種加權(quán)組（weighted group，WG）稀疏表示分類（SRC）的人臉識(shí)別方法 （WGSRC），該方法對(duì)混合l1,2范數(shù)進(jìn)行加權(quán)處理，通過(guò)正則化重建誤差對(duì)樣本進(jìn)行識(shí)別，WGSRC對(duì)人臉的姿態(tài)變化具有較好的頑健性，但是其權(quán)值是根據(jù)經(jīng)驗(yàn)設(shè)置的，并且其在光照變化較大的人臉庫(kù)上的識(shí)別率較低。

為解決以往人臉識(shí)別方法在光照變化、表情變化等情況下識(shí)別率下降的問(wèn)題，本文提出一種結(jié)合小波變換（wavelet transform，WT）及雙字典協(xié)作稀疏表示分類（collaboration of double-dictionary’s sparse representation-based classification，CSRC）的人臉識(shí)別方法——WT-CSRC，WT-CSRC利用PCA方法融合人臉圖像小波分解后的高頻信息子圖，并提取人臉圖像的小波域特征，構(gòu)造低頻和高頻特征空間，將訓(xùn)練樣本在兩種特征空間下的投影集分別構(gòu)造低頻字典和高頻字典，最后將人臉測(cè)試樣本在兩種字典上進(jìn)行稀疏表示，并引入互相關(guān)系數(shù)進(jìn)一步增強(qiáng)人臉識(shí)別的可靠性，實(shí)現(xiàn)了人臉的協(xié)作分類。實(shí)驗(yàn)結(jié)果表明，本文方法不僅提高了識(shí)別率，而且對(duì)光照變化及表情變化等具有較強(qiáng)的頑健性。

2 基于PCA的人臉圖像小波域特征表達(dá)

小波分析因其具有多分辨率和多尺度分解的特點(diǎn)，為信號(hào)的時(shí)頻分析提供了一種高效的方法。對(duì)人臉圖像進(jìn)行一層小波分解，可得到1幅低頻人臉圖像和3幅高頻人臉細(xì)節(jié)圖像。分解后的低頻圖像包含了原始人臉圖像的全局信息，集中了原圖像的主要能量，和原圖像最相似；而水平、垂直、對(duì)角這3個(gè)細(xì)節(jié)圖像代表人臉圖像面部的細(xì)節(jié)信息。其中，水平細(xì)節(jié)圖像包含了人臉輪廓中的眉毛、眼睛、嘴巴、胡須等水平細(xì)節(jié)信息，垂直細(xì)節(jié)圖像包含了人臉輪廓、耳朵、鼻子等垂直細(xì)節(jié)信息，而對(duì)角細(xì)節(jié)圖像不僅包含了部分水平細(xì)節(jié)信息和垂直細(xì)節(jié)信息，還受噪聲、光照、表情等因素影響。

主成分分析[2]是一種常用的特征提取和降維方法。用這種方法得到的主成分能夠反映原始變量的絕大部分信息。其操作原理如下：假設(shè)為含有m類的訓(xùn)練樣本集，第 i類含有 n個(gè)樣本，i=1，2，…，m，j=1，2，…，n，這里是由大小為 M×N的人臉圖像矩陣按列堆疊成的向量，于是，訓(xùn)練圖像的平均臉向量為：

C為對(duì)稱方陣，存在m×n個(gè)相互正交的屬于特征值λs的特征向量αs，即有Cαs=λsαs，s=1，2，…，m×n。將求出的λs按降序排列，λ1≥λ2≥…λs…≥λm×n， 并將對(duì)應(yīng)的特征臉向量αs構(gòu)成正交空間 Ωpca：

其中，Ωpca也稱為特征臉空間，p為特征臉向量的個(gè)數(shù)。

本文提出的人臉識(shí)別方法分別將人臉圖像小波分解的低頻圖像和高頻細(xì)節(jié)圖像作為兩個(gè)獨(dú)立的集合進(jìn)行特征提取，最后再實(shí)現(xiàn)人臉的稀疏表示分類。在構(gòu)造高頻細(xì)節(jié)人臉圖像集時(shí)，首先利用PCA方法對(duì)3幅高頻細(xì)節(jié)圖像進(jìn)行融合。PCA融合算法可以保留原圖像的主要信息，利用PCA方法進(jìn)行圖像融合，首先獲取原始圖像的協(xié)方差矩陣，然后計(jì)算協(xié)方差矩陣的特征值和特征向量，根據(jù)特征值的大小確定融合圖像算法中的加權(quán)系數(shù)，得到最終的融合圖像[8]。在融合3幅高頻子圖時(shí)，先對(duì)水平細(xì)節(jié)圖像和垂直細(xì)節(jié)圖像進(jìn)行融合，再將得到的融合圖像與對(duì)角細(xì)節(jié)圖像進(jìn)行融合，最終得到融合后的人臉高頻圖像。接下來(lái)再用PCA方法分別對(duì)人臉低頻圖像和融合后的高頻圖像進(jìn)行特征提取，提取的特征臉如圖1所示，從圖1(a)和圖1(c)可以看出，低頻特征臉較為平滑，偏向于人臉全局特征的表達(dá)，可清晰地表達(dá)出不同明亮程度下的光照特征，與原始人臉圖像相比，低頻特征臉上的光照特征更易于分析和辨別；從高頻融合人臉圖像中提取出的特征臉表面比較粗糙，偏向于面部細(xì)節(jié)的表達(dá)，如圖1(b)和圖1(d)所示，人臉器官的細(xì)節(jié)特征在高頻空間上表現(xiàn)更加突出，通常情況下，人臉面部表情的變化體現(xiàn)在人臉面部器官細(xì)節(jié)的變化上，這些高頻細(xì)節(jié)特征有助于不同表情變化下的人臉識(shí)別。

圖1 兩種頻帶下的特征人臉及其特征表達(dá)

低頻特征臉?biāo)男畔㈦m然在面部細(xì)節(jié)上表達(dá)不明顯，但其包含了人臉信息的主要能量，展現(xiàn)出了人臉的主要輪廓，且對(duì)不同光照特征的表達(dá)也較為清晰；高頻人臉雖然在面部細(xì)節(jié)上的表達(dá)能力較為突出，但其并不能體現(xiàn)出人臉的特定輪廓。本文將人臉圖像在兩種頻域空間上的不同特征結(jié)合起來(lái)進(jìn)行分析，使兩種不同頻域下的特征互相彌補(bǔ)，充分發(fā)揮出二者在不同光照和表情條件下人臉識(shí)別中的作用。

3 人臉識(shí)別雙字典協(xié)作稀疏分類器

近年來(lái)，稀疏表示理論在信號(hào)、圖像處理領(lǐng)域得到廣泛應(yīng)用[9]。稀疏表示的目的就是在合適的參考基底（字典）下，將觀測(cè)信號(hào)表示成盡可能少數(shù)原子的線性組合。在稀疏表示的分類識(shí)別應(yīng)用中，通過(guò)求得測(cè)試樣本在訓(xùn)練字典上的稀疏表示系數(shù)，就可根據(jù)表示系數(shù)的稀疏性與稀疏集中度衡量其類別屬性。

3.1 傳統(tǒng)稀疏表示人臉識(shí)別

在傳統(tǒng)稀疏表示人臉識(shí)別中[4]，設(shè)X=[X1，X2，…，Xm]為含有m類目標(biāo)的訓(xùn)練樣本矩陣，第i類含有n個(gè)樣本，i=1，2，…，m，j=1，2，…是 Xi中的第j個(gè)訓(xùn)練樣本。這里將X看作過(guò)完備字典為字典中的原子。對(duì)于第i類測(cè)試樣本y，可以用子字典Xi線性表示為：， 其中，αi，j為稀疏編碼系數(shù)。如果用整個(gè)字典X中的原子來(lái)線性表示y，則只有和子字典Xi相關(guān)的稀疏編碼系數(shù)不為0時(shí)成立，于是上述稀疏表示原理可表示為：

其中，E為稀疏約束常量，α=[0，…，0，αi，1，…，αi，ni，0，…，0]T是測(cè)試樣本y在字典X上的稀疏表示系數(shù)向量，理想情況下，α 中只有 αi，1，…，αi，ni不為0。這是一個(gè)NP難問(wèn)題，在某些情況下，可等價(jià)于求解l1范數(shù)的凸問(wèn)題[4]：

其中，ε為誤差常量，引入δi（α）來(lái)提取子字典Xi上的稀疏表示系數(shù)于是，測(cè)試樣本y可以用Xi重建如下：

3.2 雙字典協(xié)作稀疏表示人臉識(shí)別

本文提出了一種利用人臉圖像低頻字典和高頻字典進(jìn)行協(xié)作稀疏表示分類的人臉識(shí)別方法。由第2節(jié)的介紹可知，人臉訓(xùn)練樣本經(jīng)過(guò)一層小波分解后，用PCA方法對(duì)分解得到的低頻圖像進(jìn)行特征提取，構(gòu)造低頻特征空間ΩL；然后用 PCA方法分別對(duì)融合后的高頻圖像進(jìn)行特征提取，構(gòu)造高頻特征空間ΩH；接下來(lái)分別將訓(xùn)練樣本集在ΩL和ΩH上進(jìn)行投影，得到樣本在兩種特征空間映射下的投影特征，分別為低頻特征XL和高頻特征XH，令DL=XL為低頻字典，DH=XH為高頻字典。對(duì)于測(cè)試樣本y，對(duì)其進(jìn)行一層小波分解后的低頻部分為yL，3幅高頻細(xì)節(jié)圖像融合后的高頻部分為yH，利用第3.1節(jié)中的稀疏表示原理，在低頻字典和高頻字典上分別對(duì) yL和 yH進(jìn)行稀疏表示，最終將二者重建如下：

其中，cov（·）表示求兩個(gè)變量的協(xié)方差，D（·）表示求變量的方差。通過(guò)式（12）和式（13）求出測(cè)試樣本與兩個(gè)類別之間的相關(guān)系數(shù)后，將兩個(gè)相關(guān)系數(shù)絕對(duì)值的較大者所歸屬的類別確定為測(cè)試樣本y所屬的類別，即：

本文的雙字典協(xié)作稀疏表示分類人臉識(shí)別方法，其主要思想可描述為：利用低頻字典和高頻字典進(jìn)行稀疏表示分類，二者互相監(jiān)督，當(dāng)二者的分類結(jié)果相同時(shí)，雙字典的作用在于增強(qiáng)分類結(jié)果的可靠性；一旦低頻字典和高頻字典的分類結(jié)果不相同，表明分類出現(xiàn)了沖突，互相監(jiān)督起到了作用，引入相關(guān)系數(shù)來(lái)確定最終的分類結(jié)果，這種情況下，雙字典協(xié)作分類縮小了分類范圍，將最有可能的分類結(jié)果圈定在兩個(gè)類別之間，從而盡可能地減小了分類誤差。因此，在整個(gè)分類過(guò)程中，雙字典的組成成分不同， 二者互相監(jiān)督、 互相糾正， 提高了WT-CSRC的分類準(zhǔn)確性與可靠性，增強(qiáng)了人臉識(shí)別算法的頑健性。

4 實(shí)驗(yàn)結(jié)果與分析

下面將通過(guò)數(shù)值實(shí)驗(yàn)來(lái)驗(yàn)證本文所提出的人臉識(shí)別方法的有效性，實(shí)驗(yàn)基于Yale B、JAFFE和AR 3個(gè)標(biāo)準(zhǔn)人臉庫(kù)，在3.30 GHz、4 GB內(nèi)存、64 bit Windows 7的計(jì)算機(jī)系統(tǒng)下進(jìn)行，實(shí)現(xiàn)工具為MATLAB（R2010b），實(shí)驗(yàn)中的小波分解采用 db2小波基。本文選擇 PCA[2]、LDA[3]、SVM、SRC[4]、LDA-SRC[6]以及GSRC[5]6種代表性的人臉識(shí)別方法與提出的WT-CSRC進(jìn)行對(duì)比。

4.1 光照頑健人臉識(shí)別實(shí)驗(yàn)

Yale B人臉庫(kù)[11]中包含了10類人的640張不同光照變化下的人臉圖像，每張人臉圖像分辨率為192 dpi×168 dpi，根據(jù)光照角度與攝像光軸的角度，可將人臉圖像分為5個(gè)子集：子集1（θ＜12°）、子集2（20°＜θ＜25°）、子集3（35°＜θ＜50°）、子集4（60°＜θ＜77°）、子集5（θ＞78°），部分人臉圖像如圖2所示。

圖2 Yale B人臉庫(kù)上不同光照條件下的人臉樣本

由于θ的差異，進(jìn)入成像系統(tǒng)的反射光線強(qiáng)度不同，從而使得不同θ下的人臉圖像表現(xiàn)出不同的感光特性，這與不同光照強(qiáng)度下的人臉具有同樣的特點(diǎn)。本文用Yale B人臉庫(kù)進(jìn)行光照頑健性的測(cè)試。子集1～子集 5分別含有7、12、12、14、19張人臉圖像。實(shí)驗(yàn)時(shí)將子集4中的14張人臉圖像用于訓(xùn)練，剩下的子集用于不同光照條件下的測(cè)試實(shí)驗(yàn)，識(shí)別率結(jié)果見(jiàn)表1。

表1 Yale B人臉庫(kù)上7種方法在不同光照子集下的識(shí)別率

從表1可以看出，WT-CSRC有較好的光照頑健性能，在幾種不同光照條件下的人臉子集上都保持了較高的識(shí)別率，尤其在光照強(qiáng)度變化最大的子集5上，識(shí)別率仍保持在90.00%以上，平均識(shí)別率達(dá)到97.07%。幾種對(duì)比方法中，基于特征臉的PCA方法的識(shí)別率最低，其次是LDA、SVM方法在某些子集上的識(shí)別率較高，但在光照變化最大的子集5上，其識(shí)別率較低，LDA-SRC和GSRC方法在子集5上的識(shí)別率還有待提高。對(duì)于識(shí)別的時(shí)間效率，在考慮圖像預(yù)處理所需時(shí)間的基礎(chǔ)上，對(duì)幾種算法的運(yùn)行時(shí)間也做了分析和比較。

對(duì)于訓(xùn)練時(shí)間，SRC直接利用訓(xùn)練集對(duì)樣本進(jìn)行稀疏表示分類，其訓(xùn)練時(shí)間可忽略不計(jì)；PCA、LDA計(jì)算相對(duì)簡(jiǎn)便，其訓(xùn)練時(shí)間較短，約為2.00 s；GSRC方法由于需要訓(xùn)練Gabor字典，其訓(xùn)練時(shí)間最長(zhǎng)，約為15.50 s；而本文算法的識(shí)別時(shí)間與LDA-SRC和SVM相近，約為3.00 s。

對(duì)于測(cè)試時(shí)間，實(shí)驗(yàn)記錄了各個(gè)算法的平均測(cè)試時(shí)間（平均識(shí)別每個(gè)樣本的時(shí)間），GSRC的平均測(cè)試時(shí)間最長(zhǎng)，約為21.50 ms，PCA、LDA以及SVM由于計(jì)算相對(duì)簡(jiǎn)單，其平均測(cè)試時(shí)間最短， 本文算法的測(cè)試時(shí)間略短于LDA-SRC，約為15.4 ms。

上述實(shí)驗(yàn)結(jié)果表明，本文算法不僅具有較強(qiáng)的光照頑健性，還具有較高的時(shí)間效率。

4.2 表情頑健人臉識(shí)別實(shí)驗(yàn)

本文在 JAFFE人臉庫(kù)[12]上驗(yàn)證幾種人臉識(shí)別方法的表情頑健性，該人臉庫(kù)包含了10類人的219張不同表情下的人臉圖像，本文選擇其中的210張人臉進(jìn)行實(shí)驗(yàn)，每人包含了21張6種不同表情（開(kāi)心、難過(guò)、驚訝、生氣、害怕、沮喪）和中性表情的人臉圖像，每種表情有3張人臉圖像。部分人臉樣本如圖3所示。

實(shí)驗(yàn)時(shí)，將每個(gè)人的3張中性表情人臉樣本用于訓(xùn)練，用剩下6種表情的人臉樣本進(jìn)行測(cè)試，最終的測(cè)試結(jié)果見(jiàn)表2。

從表2可以看出，本文方法對(duì)各種表情的識(shí)別率都較高，其平均識(shí)別率最高，達(dá)到96.67%。其他幾種方法只是對(duì)JAFFE人臉庫(kù)上的少數(shù)表情有較高的識(shí)別率。從識(shí)別時(shí)間效率上來(lái)看，GSRC需要的訓(xùn)練時(shí)間和平均測(cè)試時(shí)間都較長(zhǎng)，而本文提出的WT-CSRC方法僅比PCA和LDA的訓(xùn)練時(shí)間略長(zhǎng)，其平均測(cè)試時(shí)間也較短，約為10.50 ms。上述分析表明，本文算法的表情頑健性較好，時(shí)間效率也較高。

4.3 光照及表情頑健人臉識(shí)別實(shí)驗(yàn)

圖3 JAFFE人臉庫(kù)上不同表情的人臉樣本

表2 JAFFE人臉庫(kù)上6種方法在不同表情下的識(shí)別率

為進(jìn)一步驗(yàn)證WT-CSRC對(duì)光照及表情有較強(qiáng)的頑健性，本文在AR人臉庫(kù)上對(duì)幾種方法的光照及表情頑健性同時(shí)進(jìn)行驗(yàn)證。AR人臉庫(kù)[4]上包含了126（男70、女56）個(gè)人在不同光照、表情下的 4 000多張人臉正面圖像，這些人臉圖像在兩個(gè)不同的時(shí)期（相隔兩周）采集得到，實(shí)驗(yàn)中，共用到了100（男50、女50）個(gè)人的人臉圖像，每人用到了14張人臉圖像，如圖4所示。其中，前7張是從第一個(gè)時(shí)期采集的，用于訓(xùn)練；剩下 7張是從第二個(gè)時(shí)期采集的，用于測(cè)試。每張圖像分辨率為165 dpi×120 dpi，共用到1 400張人臉圖像。

圖4 AR人臉庫(kù)部分人臉樣本

圖5給出了幾種方法在 AR人臉庫(kù)上的識(shí)別率曲線，可以看出，除在較低特征維數(shù)情況下WT-CSRC方法的識(shí)別率不是最高以外，在其他情況下，WT-CSRC方法的識(shí)別率都是最高的。GSRC從Gabor域變換的角度提取人臉在頻域的特征進(jìn)行字典學(xué)習(xí)，也能取得不錯(cuò)的識(shí)別效果；LDA-SRC在特征維數(shù)為150時(shí)，也能取得較高的識(shí)別率；傳統(tǒng)基于特征臉的PCA方法識(shí)別率最低，其光照和表情頑健性最差。WT-CSRC用低頻字典和高頻字典進(jìn)行協(xié)作稀疏表示分類，充分利用了人臉圖像頻域的特征，從而取得了更好的識(shí)別效果。從算法運(yùn)行時(shí)間上來(lái)看，GSRC在特征提取和字典學(xué)習(xí)時(shí)計(jì)算量較大，其運(yùn)行時(shí)間最長(zhǎng)，本文方法的訓(xùn)練時(shí)間和測(cè)試時(shí)間均較短，僅略高于PCA和LDA，雖然PCA和LDA的運(yùn)行時(shí)間較短，但其識(shí)別率較低。上述實(shí)驗(yàn)分析表明，WT-CSRC在保持較強(qiáng)的光照及表情頑健性的同時(shí)，還具有較高的時(shí)間效率。

圖5 AR人臉庫(kù)上的識(shí)別率曲線

在實(shí)際的人臉識(shí)別應(yīng)用中，姿態(tài)和遮擋也是必須要解決的問(wèn)題，采用可擴(kuò)展Yale B和AR人臉庫(kù)分別進(jìn)行姿態(tài)和遮擋的人臉識(shí)別實(shí)驗(yàn)[4]，并與所選的6種方法進(jìn)行比較。結(jié)果表明，WT-CSRC在識(shí)別率和時(shí)間效率上，仍然具有一定的優(yōu)勢(shì)。這表明本文提出的算法，由于充分利用了人臉圖像的低頻、高頻信息，不僅對(duì)光照和表情人臉識(shí)別具有頑健性，而且在解決姿態(tài)和遮擋問(wèn)題上，也具有一定的推廣價(jià)值。

5 結(jié)束語(yǔ)

本文提出一種結(jié)合圖像小波變換及雙字典協(xié)作稀疏表示的人臉識(shí)別方法，該方法利用小波變換對(duì)人臉圖像進(jìn)行分解，并將分解后的3種高頻細(xì)節(jié)子圖用PCA方法融合成單一的高頻細(xì)節(jié)人臉圖像，從而分別對(duì)低頻人臉圖像和高頻細(xì)節(jié)人臉圖像進(jìn)行特征提取，并分別構(gòu)造低頻特征空間ΩL和ΩH高頻特征空間，然后將訓(xùn)練樣本在 ΩL和ΩH上的投影特征構(gòu)造兩種字典，即低頻字典DL和高頻字典DH，最后通過(guò)兩種字典的協(xié)作稀疏表示，并引入相關(guān)系數(shù)，增強(qiáng)了分類結(jié)果的可靠性，縮小了分類范圍并減小了分類誤差。在Yale B、JAFFE和AR人臉庫(kù)上的實(shí)驗(yàn)表明，本文提出的方法在光照及表情變化下的人臉識(shí)別具有較高的識(shí)別率，其光照和表情頑健性較好，并且識(shí)別的時(shí)間效率也較高。接下來(lái)將著重研究如何提取出人臉圖像更加有效的特征，并降低算法的復(fù)雜度，以增強(qiáng)本文方法的實(shí)際應(yīng)用能力。

[1] 蘇楠,吳冰,徐偉,等.人臉識(shí)別綜合技術(shù)的發(fā)展[J].信息安全研究,2016,2(1):33-39. SUN,WUB,XUW,etal.Thecomprehensivetechnology development of face recognition[J].Journal of Information Security Research, 2016,2(1):33-39.

[2]TURK M,PENTLAND A.Eigenfaces for recognition[J].Journal of Cognitive Neuroscience,1991,13(1):71-86.

[3]BELHUMEUR P,HESPANHA J,KRIEGMAN D.Egienfaces vs fisherfaces:recognition using class specific linear projection[J]. IEEE Transaction on Pattern Analysis and Machine Intelligence, 1997,19(7):711-720.

[4]WRIGHT J,YANG A Y,GANESH A,etal.Robust face recognition via sparse representation[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2009,31(2):210-227.

[5]YANG M,ZHANG L.Gabor feature based sparse representation for face recognition with gabor occlusion dictionary[C]//European Conference on Computer Vision(ECCV’2010),September 5-11, 2010,Crete,Greece.Berlin:Springer-Verlag,2010:448-461.

[6] 張勇，黨蘭學(xué).線性判別分析特征提取稀疏表示人臉識(shí)別方法 [J].鄭州大學(xué)學(xué)報(bào)(工學(xué)版),2015,36(2):94-98. ZHANGY,DANGL X.Sparse representation-based face recognition method by LDA feature extration[J].Journalof Zhengzhou University: Engineering Science,2015,36(2):94-98.

[7]TANG X,FENG G,CAI J.Weighted group sparse representation for undersamp led face recognition [J].Neurocomputing,2014, 145(18):402-415.

[8]潘瑜,孫權(quán)森,夏德深.基于PCA分解的圖像融合框架[J].計(jì)算機(jī)工程,2011,37(13):210-212. PAN Y,SUN Q S,XIA D S.Image fusion framework based on PCA Decomposition[J].Computer Engineering,2011,37(13):210-212.

[9]金煒,王文龍,符冉迪,等.聯(lián)合塊匹配與稀疏表示的衛(wèi)星云圖修復(fù)[J].光學(xué)精密工程,2014,22(7):1886-1895. JIN W,WANG W L,FU R D,etal.Satellite cloud image inpainting based on patch matching and sparse representation[J].Optics and Precision Engineering,2014,22(7):1886-1895.

[10]CHEN N,XU Z,XIA M.Correlation coefficients of hesitant fuzzy sets and their app lications to clustering analysis[J].Applied Mathematical Modelling,2013,37(4):2197-2211.

[11]GEORGHIADES A,KRIEGMAN D,BELHUMEUR P.From few to many:illumination cone models for face recognition undervariable lighting and pose[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2001,23(6):643-660.

[12]LYONS M,AKAMATSU S,KAMACHI M,et al.Coding facial expressions with Gabor wavelets[C]//Third IEEE International Conference on Automatic Face and Gesture Recognition, April 14-16,1998,Nara,Japan.New Jersey:IEEE Press,1998: 200-205.

Illum ination and expression robust face recognition using collaboration of double-dictionary’s sparse representation-based classification

GONG Fei,JIN Wei,ZHU Keqing,FU Randi,CAO Yan
Faculty of Electrical Engineering and Computer Science,Ningbo University,Ningbo 315211,China

A face recognition method named WT-CSRC was proposed by using wavelet transform(WT)and a collaboration of double-dictionary’s sparse representation-based classification (CSRC).Firstly,the proposed method used principal component analysis(PCA)to achieve the fusion of three high-frequency detail sub-images which were generated by WT,and a integrated high-frequency detail image could be obtained;then,features extracted from the low-frequency images and high-frequency detail images by PCA were used to construct the low-frequency feature space and high-frequency detail space;and low-frequency dictionary and high-frequency dictionary could be constructed by samples’projection on two kinds of feature space.Finally,face images could be classified by a collaborative classification via sparse representation in two dictionaries,and the reliability of the recognition could be enhanced by using the cross correlation coefficient.Experimental results show that,the proposed method has high recognition rate with strong illumination and expression robustness with acceptable time efficiency.

face recognition,double-dictionary,collaborative sparse representation,cross correlation coefficient

TP391

：A

10.11959/j.issn.1000-0801.2017057

龔飛（1989-），男，寧波大學(xué)信息科學(xué)與工程學(xué)院碩士生，主要研究方向?yàn)槟Ｊ阶R(shí)別、壓縮感知和圖像處理。

金煒（1969-），男，博士，寧波大學(xué)信息科學(xué)與工程學(xué)院副教授、碩士生導(dǎo)師，主要從事壓縮感知、模式識(shí)別和數(shù)字圖像處理等研究工作。

朱珂晴（1989-），女，寧波大學(xué)信息科學(xué)與工程學(xué)院碩士生，主要研究方向?yàn)槟Ｊ阶R(shí)別和圖像處理。

符冉迪（1971-），男，寧波大學(xué)信息科學(xué)與工程學(xué)院副教授、碩士生導(dǎo)師，主要從事數(shù)字圖像處理、模式識(shí)別等研究工作。

曹燕（1993-），女，寧波大學(xué)信息科學(xué)與工程學(xué)碩士生，主要研究方向?yàn)閿?shù)字圖像處理、模式識(shí)別。

2017-01-10；

：2017-02-23

國(guó)家自然科學(xué)基金資助項(xiàng)目（No.61471212）；浙江省自然科學(xué)基金資助項(xiàng)目（No.LY16F010001）；寧波市自然科學(xué)基金資助項(xiàng)目（No.2016A610091）

Foundation Item s：The National Natural Science Foundation of China(No.61471212),The Natural Science Foundation of Zhejiang Province of China(No.LY16F010001),The Natural Science Foundation of Ningbo of China(No.2016A610091)