SRC_RSC遮挡人脸识别实验报告材料

模式识别课程报告基于SRC_RSC算法的遮挡人脸图像识别的实验研究学 年： 201x学年第x学期姓 名: xxxx学号: xxxxxxxxxx专业：xxxxxxxxxx指导教师： xxxxx提交日期：201x年x月XX日1. 算法简介1.1 SRC算法简介基于基于稀疏表达的分类算法(Sparse Recog ni tion based Classificatio n ,简称SRC算法)，是人脸识别领域最经典的算法之一，最初是 由John Wright, Allen Y. Yang等人在 2008 年的Robust Face Recognition via Sparse Representation一文中将 SRC算法应用到人脸识别领域，使用该算法可以大大增强人脸的识别率，包括对含有噪声的人脸图像、有遮挡物的人脸图像、进行伪装的人脸图像、不同曝光的人脸图像、不同面目表情的人脸图像等多个场景下通过 SRC算法对特定的人脸图像进行识别。人脸的稀疏表示是基于光照模型。即一张人脸图像，可以用数据库中同一个人所有的人脸图像的线性组合表示。而对于数据库中其它人的脸，其线性组合的系数理论上为零。由于数据库中一般有很多个不同的人脸的多张图像，如果把数据库中所有的图像的线性组合来表示这张给定的测试人脸， 其系数向量是稀疏的。 因为除了这张和同一个人的人脸的图像组 合系数不为零外，其它的系数都为零。以上所述即为SRC识别人脸图像的原理。 不过在该模型下导出了基于稀疏表示的另外 一个很强的假设条件，即所有的人脸图像必须是事先严格对齐的，否则，稀疏性很难满足。 换言之，对于表情变化，姿态角度变化的人脸都不满足稀疏性这个假设。所以，经典的稀疏脸方法很难用于真实的应用场景。稀疏脸很强的地方在于对噪声相当鲁棒，相关文献表明， 即使人脸图像被 80%的随机噪声干扰，仍然能够得到很高的识别率。稀疏脸另外一个很强 的地方在于对于部分遮挡的情况，例如戴围巾戴眼镜等，仍然能够保持较高的识别性能。 上述两点，是其它任何传统的人脸识别方法所不具有的。1.2 RSC算法简介鲁棒的稀疏编码算法（Robust Sparse Codi ng,简称RSC算法），是通过求解Lasso问题，进而求解稀疏编码问题，是SRC的改进算法之一，具有极强的应用性，最初是由Me ng Ya ng, Lei Zha ng 等人在 2011 年的Robust Sparse Codi ng for Face Recog nition一文中将 RSC算法应用到人脸识别领域。该文作者没有直接求解稀疏编码 问题，而是求解Lasso问题，因为Lasso问题的解和稀疏编码的解是等价的。在传统的SRC框架下，编码误差使用 L2范数来度量的，这也就意味着编码误差满足高斯分布，然而，当 人脸图像出现遮挡和噪声污染的情况下，并非如此。在字典学习框架下，这样的字典是有噪声的。该文作者对原始 Lasso问题进行改进，求解加权L1范数约束的线性回归问题。人脸识别的鲁棒稀疏编码的稀疏表示识别方法将稀疏表示的保真度表示为余项的L2范数，但最大似然估计理论证明这样的假设要求余项服从高斯分布，实际中这样的分布可能并不成立，特别是当测试图像中存在噪声、遮挡和伪装等异常像素，这就导致传统的保真度表达式所构造的稀疏表示模型对上述这些情况缺少足够的鲁棒性。而最大似然稀疏表示识别模型则基于最大似然估计理论，将保真度表达式改写为余项的最大似然分布函数，并将最大似然问题转化为一个加权优化问题，在稀疏表示的同时引入代表各像素不同权值的矩 阵，使得该算法对于图像中包含异常像素的情况表现出很好的鲁棒性。此算法的关键还在于权重系数的确定，文中采用的是logistic函数，而具体的实现则是通过迭代估计学习得到。该方法基于这样一个事实：被遮挡或噪声干扰的像素点赋予较小的 权重，而其它像素点的权重相对较大。具体迭代算法采用经典的迭代重加权算法框架，当然内部嵌入的稀疏编码的求解过程。此算法在50%遮挡面积的情况下取得的更好更满意的结果。但是文中没有比较计算时间上的优略而直说和SRC框架差不多。2. 算法步骤2.1 SRC算法步骤具体的 SRC 算法步骤如 Spare Representation-based Classification(SRC)所示Algorithm 1 : Sparse ReprtsenU(ion-bae 0.)2： Normalize the columns of A to have unit /2-norm.3； Solve lhe / minimization problem：x)= arg ttiin | j-| i subject to Ax = y.X(Or alternatively, solveX arg min |x| subject to Ax 4： Compute the residuals rly) =for i 1. + .45: Output； identityty I rgniiih2.2 RSC算法步骤稀疏编码模型等同于求解 LASSO问题，LASSO问题模型如公式1所示min h-Hallj st |a| W 6 ( 1)(7 0，是一个常数，尸血；曲;：曲E珍表示被编码的信号， =隊破八J.阳表示含有m个dj列向量的字典集，a是编码系数向量, 在我们人脸识别问题中，dj表示训练人脸样本，字典集 D表示训练集加权Lasso问题的目标函数描述如公式2 所示(2)具体的 RSC 的算法步骤可以用LRSC (Iteratively Reweighted SparseCoding )算法步骤表示如下Algorithm 1 Iteratively Reweighted Sparse CodingInput: Normalized test sample y with unit 仏-norm, dictionary D (each column of D h社 unit Zj-nonn) and j/；2 initialized asOutput: aStart from 右 一 1:i： Compute residual e=y -2： Estimate weights asexp （“於）汕）（啬）尸）1 + vxp (“(心-M (申円,(11)where H and W aie parameters estimated in the ilet alion (please refer to Section 丄 1 for lhe setting jf them).3； Sparse ctxling:ot* = ni(v - DoB st 阿h 1, a=OfGT 十泸)(a* ；where 0 耳 1 is the step size, and a suitable 沪； should make 力二】加亡)r)Lcan be searclied (ium 1 U)() by the standard line-search process 卜* (Since boih a(/_1 and a+ belong lo the convex set Q =| rt|, =1e-3);WW_i ndex = repmat(w(i ndex_w),1 ll);W_D= WW_i ndex.*D(i ndex_w,:);W_y = w(i ndex_w).*y(i ndex_w);ratio = no rm(W_y,2)/norm_w_y_o;temp_s=l1_ls(W_D,W_y,lambda*ratio,sigma*ratio,true);residual=(y-D*temp_s).A2;w= 1./(1+1./exp(-beta*(residual-iter);end%分类标记%for class =1:class nums=temp_s (D_labels = class);z1=w.*(y - D(:,D_labels = class)*s);gapl(class) = z1(:)*z1(:);endin dex=fin d(gap1=mi n( gap1);id=in dex(1);4. 实验4.1通过SRC和RSC进行同一维度下同一人脸面部不同遮挡面积下的人脸识别的实验(a)为 Extended Yale B在图1同一维度下人脸面部不同遮挡面积下的人脸识别组图中数据库下的同一张面部在不同遮挡状态下的测试原图，经过误差处理后得到误差处理的图像（b），误差图像（b）反映了人脸被遮挡的物体的部分，之后经过稀疏表示得到（c），之后分别经过SRC和RSC算法还原出原图像（d）。(a)(b)(c)(d)图1同一维度下同一人脸面部不同遮挡面积下的人脸识别组图SRC和RSC算法对同一维度下同一人脸面部不同遮挡面积下的人脸识别率比较如下表1和图2、图3所示。遮挡面积0%10%20%30%40%50%SRC110.9980.9850.9030.653RSC1110.9980.9690.839表1 SRC和RSC算法对同一维度下同一人脸面部不同遮挡面积下的人脸识别率比较10B0.65RC和RX算法对同一维厘尸同一人脸页部不同避挡面积下的人 髓识别至比較柱册图20%30%40%50% SRCMRSC图2 SRC和RSC算法对同一维度下同一人脸面部不同遮挡面积下的人脸识别率比较柱状图沐（:和R兀算法对同一维度下同一人脸面部不同遊拷面积下的人憾设别至比较折箜图1080.&G40.3010% 20%图3 SRC和RSC算法对同一维度下同一人脸面部不同遮挡面积下的人脸识别率比较折线图经实验对比发现，SRC和RSC算法在同一维度下对被遮挡的同一人脸图像都有较好的识别，在遮挡面积0%10% 下，SRC与RSC算法的人脸识别率均为 100% ;在人脸遮挡面积20%的时候，SRC为99.8%，识别率已经不是 100%，但RSC仍然为100% ； RSC算法是直到人脸遮挡面积超过 30%后识别率才有所下降，不过与SRC人脸遮挡面积20%下的识 别率相等。在由此可见 RSC算法的对于遮挡下的人脸识别具有更好的识别效果，通过RSC鲁棒性稀疏编码算法对 SRC算法的改进在遮挡人脸识别上是成功的。4.2通过SRC和RSC进行不同维度下人脸面部同一遮挡下的人脸识别的实验使用Extended Yale B人脸数据库进行不同维度下人脸面部同一遮挡下的人脸识别的实验，Extended Yale B 数据库中包含啦2414张人脸正面图，这些人脸图片分为38组，每张图片都是 54*48的人脸图片。在实验过程中，我们将整个数据库的人脸图片随机分为 两部分，一部分作为作为字典图集，一部分作为测试图集。然后通过SRC和RSC进行不同维度下人脸面部同一遮挡下的人脸识别的实验。SRC和RSC算法对不同维度下人脸面部同一遮挡下的人脸识别率比较如下表2和图4、图5所示。维度3084150300SRC90.9%95.5%96.8%98.3%RSC91.3%98.1%98.4%99.4%表2 SRC和RSC算法对不同维度下人脸面部同一遮挡下的人脸识别率比较5RC和嗣匚算法对不同维度下人脸面部同一遮挡下的人脸识别率比较柱M圏錐恳 SRC RSC图4 SRC和RSC算法对不同维度下人脸面部同一遮挡下的人脸识别率比较柱状图5RC和R兀算法对不同维厘下人髓面部同一尷样下的人脸识别率比较折蛭圏100.00%98.00%9600%54.0(9200%90.00%8B00 张B&OT%30B4150300-SRC-*-RSC图5 SRC和RSC算法对不同维度下人脸面部同一遮挡下的人脸识别率比较折线图经实验对比发现，SRC和RSC算法不同维度下人脸面部同一遮挡下的的人脸图像都有 较好的识别，伴随着维度的提升 30维度300维度，SRC和RSC对遮挡的人脸识别率都呈 现了较好的上升效果，并且RSC算法人脸识别率上升速度要快于SRC算法的人脸识别率上升速度；在300维度以上，RSC算法的识别率已经超过了99%，而SRC算法的识别率未达到99%，从也可以看出 RSC算法在遮挡人脸识别方面有着优于SRC算法的识别效果，进一步证明了通过 RSC鲁棒性稀疏编码算法对SRC算法的改进在遮挡人脸识别上是成功的。5. 结论在本实验中，我们分别通过SRC与RSC算法对遮挡人脸图像分别做了通过SRC和RSC进行同一维度下同一人脸面部不同遮挡面积下的人脸识别的实验和通过SRC和RSC进行不同维度下人脸面部同一遮挡下的人脸识别的实验，最终实验结果均表明啦 SRC和RSC对遮挡人脸识别都具有较好的识别效果，而RSC作为SRC的改进算法之一，凸显了自身的优势，大大提高了遮挡人脸图像的识别率。参考文献1 Wright J, Yang A Y, Ganesh A, et al. Robust face recognition via sparse represe ntati on J. Patter n An alysis and Mach ine In tellige nee, IEEE Transactions on, 2009, 31(2): 210-227.1 Meng Yang, Lei Zhang, Jian Yang, D. Zhang, Robust sparse coding for facerecog nitio n, CVPR, 2011,2013 IEEE Conference on Computer Visio n andPatter n Recog niti on, 2013 IEEE Conference on Computer Visi on and Patter n