李桂珍



相似遮挡区域碎片重构的鲁棒人脸识别算法

李桂珍

基于压缩感知技术，提出了一种面向遮挡的人脸识别算法。首先，将图像分成各个局部小块，并构建相似遮挡区域；然后，重构图像碎片，从而检测遮挡区域；最后，利用非遮挡区域获取遮挡截面，投票机制完成人脸识别。实验结果显示，其算法在AR和LFW人脸库上的最高识别率分别可高达99.8%和83.8%，优于其他几种遮挡人脸识别算法，此外，该算法对不同遮挡级别的人脸具有较好的鲁棒性。

人脸识别；压缩感知；遮挡区域检测；图像碎片重构；鲁棒性；投票机制

0 引言

目前，人脸识别已广泛应用于社交网络、照片管理软件和访问控制系统[1]。人脸识别过程中将面临许多难点，例如，拍摄人脸时经常会伴随眼睛、围巾、长发等遮挡，大大地增加了识别难度[2,3]。

文献[4]提出了一种抗遮挡的人脸识别方法，将人脸图像序列归一化到相同形状，利用PCA将数据库中的每个特殊人脸进行纹理重建，重建后遮挡的像素点与人脸图像序列差异变大，从而可以很好地识别遮挡像素点。然而，该方法检测和识别遮挡区域时会产生较高的计算成本，且对不同遮挡级别得人脸的鲁棒性不是很好。

基于压缩感知技术，提出了一种对不同遮挡级别的人脸具有较强鲁棒性的人脸识别方法。将人脸图像划分成更小的图像块，分别处理各个图像块，构建相似遮挡区域时会产生不必要的遮挡碎片，识别阶段将这些区域去掉。评估结果表明，本文算法的性能优于其他几种人脸识别方法。

1 人脸识别模型

为了建立一个准则去判断是否识别过程顺利完成，文献[8]定义了向量的一个系数（稀疏集中指数），即，，，表示不同类别或字典中的个体。是上的函数，将与类中元素不相符的中系数设为零。

为了判断识别的人脸是否位于字典中，定义余量如公式（1）：

当需要识别的人脸发生部分遮挡时，需将产生的错误情况进行特殊建模。因此，可将遮挡当成影响部分人脸图像的错误如公式（2）：

服从的（3）

然后，为了计算出检测到的个体的身份，对公式（1）中的余量进行变形，改写为公式（4）：

去除每个小块后，利用投票机制决定这个人脸所对应的身份。利用这种方法，可以预见到当某些人脸区域发生遮挡，可利用其余的区域获取正确的人脸身份。而且，可利用每个图像块计算所得的系数确定最易受遮挡影响的图像块。

式中得公式（6）、（7）：

（6）

主要问题在于能否检测到使遮挡尽量少的影响图像块的最优划分方法，当然也存在其它方面的问题，即该方法仅利用了每个分割块中的局部特性，没有考虑正副人脸图像的全局信息。为了克服该限制，提出了一种能够检测出遮挡区域的方法。

2 提出的遮挡检测算法

2.1 构建相似遮挡区域

如图1所示：

（a）合成遮挡图像；（b）相同目标的其它图像，姿势、表情和光照条件相似；（c）图（a）和（b）的差分结果图像；（d）阈值时的结果图像。

对于如图1（a）中所示图像，假设可使用某种技术获取同一个对象的无遮挡人脸图像，如图1（b）所示，这些图像拥有相同的姿势、表情以及光照条件。利用图1（a）和图1（b）差值的绝对值获得图1（c），图1（c）中的非空像素点表示受到遮挡影响的像素点。通过阈值获取图像1（d），通过图像1（d）获取相似的遮挡区域。图1（d）显示了一些标记的感兴趣点，从图中可看出，嘴和鼻子附近存在一些被错误识别为遮挡的截面，通过对应邻近像素间的比较可去除这些错误截面。此外，图像的右上角一些头发被当成遮挡障碍物。图像1（a）中图像前方部位的头发在图1（b）中并没有出现，检测到的遮挡区域包括两幅图像中头发覆盖的区域。眼睛中的虹膜区域没有标记为遮挡区域，这是由于合成遮挡图1（a）中并没有将黑色区域作为非典型值。

2.2 图像碎片重构

2.3 识别

运用算法1处理含有较高遮挡像素比例的像素集合，获取的结果图像有可能与图像序列差异很大。在所有获取的图像中，寻找一个最大的图像，其中，表示像素点个数，，是给定的阈值。

利用算法2中的迭代过程可以提高精确度，算法2对不同的子集进行处理选取最优的结果。

算法2：利用非遮挡区域完成识别

5）：end for

3 实验结果及分析

在AR数据库[9]及户外人脸数据库LFW[10]上进行实验，设置阈值。实验均在4G内存Intel(R) Core(TM) 2.93GHz Windows XP机器上完成，编程环境为MATLAB 7.0。

3.1 数据库

AR数据库由126个人的正面人脸超过3200幅彩色图像组成：70个男性和56个女性，每个人有26幅不同的图像，对于每个对象，间隔两周在两个不同会话采集图像，每个会话由13幅图像组成，脸部表情、光照和局部遮挡各有不同。样本示例如图2所示：

图2 AR人脸数据库中的图像示例

户外人脸数据库包含大街上光照不受控制的陌生人脸图像的正面照，遮挡源包括眼镜、帽子、头发和放在脸上的手，除了遮挡，这些图像也包含表情变化和姿势变化，图像示例如图3所示：

图3 户外人脸数据库中的图像示例

3.2 子块大小影响

在AR人脸数据库上研究子块大小对本文算法识别性能的影响，选取40个人每人10张无遮挡图像用于训练，1张无遮挡图像和5张遮挡图像用于测试，测试图像的遮挡级别从0到50%，所有图像都裁剪为大小，子块大小设置为至之间，结果如图4所示：

图4 子图像的大小对识别率的影响

3.3 识别结果比较

3.3.1 AR人脸库

使用每人8幅图库图像算法与几种较为先进的面部遮挡人脸识别算法进行了比较，所有算法仅使用灰度值特征，结果如表1所示：

表1 AR数据库上几种算法的识别率（%）

从表1可以看出，相比其他几种算法，本文算法能获得与这些算法相当甚至更好的识别率。而在识别效率上，本文算法的识别速率约为文献[4]算法的15倍。在围巾集这种几乎遮挡住一半人脸的数据集上，本文算法仅对2%的图像误分类，表明了本文算法对围巾遮挡图像具有较好的鲁棒性。

3.3.1 LFW人脸库

在LFW人脸数据库上测试本文算法。实验选择包含55个对象的一个图像集，对于每个对象，分别选择幅未遮挡的图像用于训练，有不同遮挡级别的110幅图像用于测试，训练集与测试集不相交。从每幅图像的背景中裁剪出人脸区域，调整大小为。识别结果如表2所示：

表2 LFW上的识别率（%）

从表2可以看出，由于自然遮挡的挑战，所有算法的整体识别率相对较低，但相比其他几种算法，本文算法总体上仍能获得最好的识别性能，由此可见其可靠性及优越性。

4 总结

为了提高人脸识别算法对不同级别遮挡的鲁棒性，基于压缩感知林雨技术，提出了一种新颖的人脸识别算法。检测遮挡区域，在识别处理阶段提取这些遮挡区域，利用这些区域所包含的信息进行识别。实验结果显示，相比其他几种遮挡人脸识别算法，本文算法取得了更高的识别率，且对不同级别的遮挡具有较好的鲁棒性。

实验表明，成功检测遮挡区域对于正确识别至关重要，在检测遮挡区域过程中像素集合的选取十分重要，这将是今后研究的重点。

参考文献：

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

[2] 薛雨丽, 毛峡, 吕善伟. 遮挡条件下的鲁棒表情识别方法[J]. 北京航空航天大学学报, 2010, 36(4): 429-433.

[3] 薛冰, 郭晓松, 蒲鹏程. 人脸识别技术综述[J]. 四川兵工学报, 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] 熊鹏飞, 刘昌平, 黄磊. 基于三维建模的眼镜遮挡下人脸识别[J]. 模式识别与人工智能, 2011, 24(5): 692-699.

[6] 程正东. 基于子空间的人脸识别[M]// 基于子空间的人脸识别. 清华大学出版社, 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] 陆华. 基于局部二值模式的人脸识别和表情识别研究[D]. 山东大学, 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）

新疆维吾尔自治区自然科学基金项目（2013211A031）

李桂珍（1982-），女，新疆农业职业技术学院，信息技术学院，硕士，讲师，研究方向：图像处理、软件工程等，昌吉，831100