• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

      SSPO:一種部分遮擋單樣本人臉識(shí)別算法

      2022-04-08 08:25:52
      關(guān)鍵詞:分塊識(shí)別率人臉識(shí)別

      楊 慶

      (漢江師范學(xué)院 數(shù)學(xué)與計(jì)算機(jī)科學(xué)學(xué)院,湖北 十堰 442000)

      0 引言

      由于全球新型冠狀病毒的爆發(fā),全民戴口罩出行日益成為一種趨勢(shì)。隨著人臉被大面積遮擋,傳統(tǒng)的人臉識(shí)別算法的識(shí)別率達(dá)到了瓶頸。如何提高部分遮擋人臉的識(shí)別率是當(dāng)前國內(nèi)外學(xué)者普遍關(guān)注的課題。作為人臉識(shí)別的一個(gè)分支,單樣本人臉識(shí)別在實(shí)際應(yīng)用中扮演著非常重要的作用。在機(jī)場(chǎng),火車站等場(chǎng)合,身份證、護(hù)照、駕照等的識(shí)別屬于單樣本人臉識(shí)別的范疇。在樣本數(shù)比較多的情況下,傳統(tǒng)的人臉識(shí)別算法識(shí)別率很高。單樣本人臉識(shí)別場(chǎng)景下,由于樣本數(shù)不足,人臉識(shí)別算法識(shí)別率受到嚴(yán)重影響。部分遮擋的單樣本下人臉識(shí)別是當(dāng)前的一個(gè)挑戰(zhàn),這是新時(shí)期的一個(gè)重要的研究課題。

      現(xiàn)有的單樣本人臉識(shí)別方法可以分為三類:虛擬樣本生成、通用學(xué)習(xí)和基于分塊的思想。Bodini M等[1]提出了一種基于深度學(xué)習(xí)線性判別法來解決單樣本人臉識(shí)別問題。首先對(duì)人臉進(jìn)行翻轉(zhuǎn)、放大等操作,利用DCNN算法進(jìn)行特征提取,最后基于k-LiMapS算法進(jìn)行人臉識(shí)別。Liu F等[2]提出了一種基于自組織映射(SOM)的二進(jìn)制編碼(SOM-BC)方法。首先使用SIFT描述符提取局部特征,其次,利用SOM神經(jīng)網(wǎng)絡(luò)獲得能夠在語義空間反映面部特征內(nèi)在結(jié)構(gòu)的視覺詞典,利用二進(jìn)制編碼方法將局部特征映射到語義空間,最后進(jìn)行人臉識(shí)別。董艷花等[3]指出通過利用人臉圖像的結(jié)構(gòu)及遮擋固有的結(jié)構(gòu)來表示、抑制或消除遮擋,并對(duì)遮擋人臉進(jìn)行魯棒特征提取,以此降低遮擋對(duì)人臉識(shí)別的影響,提高了有遮擋人臉識(shí)別的健壯性和精確性。孫雨浩[4]利用主成分分析法得到低秩訓(xùn)練樣本Gabor特征字典所在低秩線性子空間的變換投影矩陣,并將原始訓(xùn)練樣本和測(cè)試樣本分別對(duì)應(yīng)的Gabor特征字典,通過這個(gè)變換矩陣投影到同一線性子空間中,進(jìn)行自適應(yīng)稀疏編碼。最后,通過自適應(yīng)稀疏表示分類的方法,實(shí)現(xiàn)最終的分類識(shí)別。孫躍偉[5]消除了遮擋人臉圖像中由遮擋部分帶來的錯(cuò)誤信息參與投票分類的影響,結(jié)合稀疏集中指數(shù)(SCI),提出了“SCI與投票加權(quán)的遮擋人臉識(shí)別算法”,將SCI低于閾值的子塊剔除,對(duì)其余子塊加權(quán),提高了遮擋人臉圖像的識(shí)別率。閆碩[6]首先分別使用SIFT算法和SURF算法獲得訓(xùn)練圖像和測(cè)試圖像對(duì)之間的SIFT匹配特征點(diǎn)和SURF匹配特征點(diǎn),通過關(guān)鍵點(diǎn)簇塊獲取方法合并每張圖像中匹配特征點(diǎn)的鄰域,通過加權(quán)描述符策略來獲取兩個(gè)圖像塊集的匹配,通過計(jì)算所有匹配塊對(duì)之間的平均距離,來獲得人臉圖像對(duì)之間的相似度。Ye Meng Jun等[7]提出了基于正稀疏系數(shù)的 ESRC(PESRC),計(jì)算單個(gè)訓(xùn)練樣本的表示殘差,ESRC 的稀疏系數(shù)為正。統(tǒng)計(jì)分析稀疏系數(shù)比率,求解大的正稀疏系數(shù)的 ESRC (LESRC),最后計(jì)算單個(gè)訓(xùn)練樣本的表示殘差。PESRC 和 LESRC 可以顯著提高ESRC 的計(jì)算效率。Al-Obaydy W等[8]將正臉圖像旋轉(zhuǎn)一定角度,提取定向梯度特征直方圖,然后將特征連接起來,使用主成分分析方法進(jìn)行降維,使用典型相關(guān)分析進(jìn)行融合,能提高姿態(tài)變化的單樣本人臉識(shí)別率。

      鑒于此,本文創(chuàng)新性地提出了一種SSPO算法來解決部分遮擋的單樣本人臉識(shí)別問題。首先對(duì)所有圖片進(jìn)行遮擋(遮擋比例為15%,25%,35%,45%)。然后通過MSEP算法對(duì)所有圖片進(jìn)行分塊并剔除遮擋的分塊。最后通過SSPO算法對(duì)人臉進(jìn)行識(shí)別。通過在AR人臉數(shù)據(jù)庫和CMU Multi-PIE人臉數(shù)據(jù)庫上各個(gè)算法的實(shí)驗(yàn)對(duì)比來驗(yàn)證本算法的切實(shí)有效性。

      1 部分遮擋人臉識(shí)別算法

      1.1 MSEP:分塊算法

      所有圖像全部用Matlab自帶的imresize函數(shù)設(shè)置成80*80(height=80像素,width=80像素)大小。根據(jù)分塊算法MSEP進(jìn)行分塊。如圖1所示。分塊大小為20*20(ph=20像素,pw=20像素)大小,步長(zhǎng)s為10像素。

      圖1 分塊圖

      (1)

      所有圖片都進(jìn)行了分片,如公式(1)所示,每張圖片被分成了49個(gè)分塊。

      為了剔除遮擋的子塊,本文引入了均方差的概念。如圖2所示,一個(gè)c*c區(qū)域的一個(gè)分塊A,起點(diǎn)坐標(biāo)為(p,q),終點(diǎn)坐標(biāo)為(p+c-1,q+c-1)。

      圖2 均方差

      (2)

      (3)

      1.2 SSPO:部分遮擋人臉圖像算法

      為了模擬口罩遮擋人臉的情況,本文對(duì)所有圖像進(jìn)行了遮擋,遮擋比例分別為15%、25%、35%、45%,如圖3所示。對(duì)比了不同算法在部分遮擋情況下的人臉識(shí)別率。

      圖3 人臉遮擋的比例

      待測(cè)樣本z可以表示為公式(4)所示。其中,X為樣本集,D為變化字典,ε為表示殘差。

      z = Xα+Dβ+ε

      (4)

      (5)

      如公式(5)所示,求得α和β,使得公式(5)取得最小值。當(dāng)每個(gè)分塊的權(quán)重ω固定時(shí),根據(jù)公式(6)求得A。

      (6)

      當(dāng)A固定時(shí),通過公式(7)對(duì)分塊權(quán)重ωi進(jìn)行更新。當(dāng)分塊的殘差大時(shí),該分塊權(quán)重ωi就會(huì)小,以降低錯(cuò)誤分類的可能性。

      (7)

      通過不斷地迭代更新A和ωi,直至其收斂。最后通過公式(8)對(duì)樣本進(jìn)行分類。對(duì)于所有分塊,對(duì)s塊分塊的表示殘差求和,選擇殘差最小的分類k。

      (8)

      一種部分遮擋單樣本人臉識(shí)別算法SSPO算法如表1所示。根據(jù)遮擋比例對(duì)所有圖像進(jìn)行遮擋,分塊算法MSEP對(duì)圖像進(jìn)行分塊。根據(jù)公式(2)(3)進(jìn)行遮擋塊的剔除。對(duì)每一個(gè)分塊,初始化權(quán)重ω=[1, 1, …, 1]。根據(jù)每個(gè)人臉m種可能的變化與每個(gè)人的平均人臉之差,計(jì)算字典D。通過(6)、(7)式更新A和ω,直至收斂。最后輸出每個(gè)樣本的分類。

      表1 SSPO算法

      2 實(shí)驗(yàn)驗(yàn)證

      2.1 實(shí)驗(yàn)描述

      為了驗(yàn)證所提算法SSPO的有效性,本文將在AR[9],CMU Multi-PIE[10]數(shù)據(jù)庫上進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)在Microsoft Windows 10 專業(yè)版 Version 10.0 (Build 19043)操作系統(tǒng)下進(jìn)行,環(huán)境如表2所示。CPU是Intel(R) Core(TM) i7-7700K,主頻4.20 GHz;RAM為8.00GB,Matlab為8.5.0.197613 (R2015a)。

      表2 實(shí)驗(yàn)平臺(tái)

      (1)AR數(shù)據(jù)庫:實(shí)驗(yàn)中有100個(gè)人臉,每人7張圖像,共700張人臉。隨機(jī)選取80個(gè)人臉作為標(biāo)準(zhǔn)樣本庫,待測(cè)人臉。其余20個(gè)人臉作為通用訓(xùn)練集。測(cè)試集分為三類,glass(太陽鏡),illumination(光照),illumination+disguise(偽裝和光照)。所有圖像統(tǒng)一處理為80*80像素。

      (2)CMU Multi-PIE數(shù)據(jù)庫:CMU Multi-PIE數(shù)據(jù)庫包含姿勢(shì)、光照和表情變化等圖像。本文實(shí)驗(yàn)選取不包含姿勢(shì)變化的人臉作為訓(xùn)練集,三類數(shù)據(jù)集作為測(cè)試數(shù)據(jù)集,分別是s1_smile(微笑),s2_squint(瞇眼),s2_surprise(驚訝)。實(shí)驗(yàn)選取160類,隨機(jī)選取75%的數(shù)據(jù)作為訓(xùn)練集,其余用作生成變化字典。所有圖像統(tǒng)一處理為80*80像素。

      為了驗(yàn)證本算法SSPO的有效性,我們對(duì)比了當(dāng)下比較流行的人臉識(shí)別算法。通過比較NNC算法(Nearest neighbor pattern classification)[11]、SRC算法[12]、改進(jìn)的SRC算法[13]、SSPO算法的人臉識(shí)別準(zhǔn)確率,驗(yàn)證本算法的有效性。

      2.2 常用的人臉識(shí)別算法識(shí)別率對(duì)比

      (1)AR人臉數(shù)據(jù)庫在太陽鏡,光照,光照和偽裝情況下不同算法在不同遮擋率的情況下的識(shí)別率如表3至表5所示。實(shí)驗(yàn)對(duì)比了NNC算法、SRC算法、改進(jìn)的SRC算法、SSPO算法的人臉識(shí)別準(zhǔn)確率。

      表3 AR人臉庫在glass下,不同遮擋率各個(gè)算法的識(shí)別率 (單位:%)

      表4 AR人臉庫在illumination變化下,不同遮擋率各個(gè)算法的識(shí)別率 (單位:%)

      表5 AR人臉庫在illumination+disguise下,不同遮擋率各個(gè)算法的識(shí)別率 (單位:%)

      (2)CMU Multi-PIE人臉數(shù)據(jù)庫各個(gè)算法在不同表情下的識(shí)別率如表6至表8所示。實(shí)驗(yàn)對(duì)比了NNC算法,SRC算法,改進(jìn)的SRC算法、SSPO算法在s1_smile(笑臉)、s2_squint(瞇眼)、s2_surprise(驚訝)這三種表情下的識(shí)別率。

      表6 CMU Multi-PIE人臉庫在s1_smile下,不同遮擋率各個(gè)算法的識(shí)別率 (單位:%)

      表7 CMU Multi-PIE人臉庫在s2_squint下,不同遮擋率各個(gè)算法的識(shí)別率 (單位:%)

      表8 CMU Multi-PIE人臉庫在s2_surprise下,不同遮擋率各個(gè)算法的識(shí)別率 (單位:%)

      表3至表5在AR數(shù)據(jù)庫上的識(shí)別率結(jié)果表明,隨著遮擋率的提高,各個(gè)算法的識(shí)別率普遍下降。在光照變化下的各個(gè)算法的表現(xiàn)最好,在太陽鏡下各個(gè)算法的識(shí)別率最低。這是因?yàn)殡S著人臉的部位被遮擋,識(shí)別的困難加大。太陽鏡下人的眼睛這一關(guān)鍵部位被遮擋,導(dǎo)致各個(gè)算法的識(shí)別率下降。本文的SSPO算法在各個(gè)場(chǎng)景中均取得了最高的識(shí)別率,在15%遮擋率下,SSPO分別在太陽鏡、光照變化、偽裝+光照變化場(chǎng)景下比第二好的算法分別提升13.75%,6.25%,11.88%。

      表6至表8在CMU Multi-PIE人臉庫上各個(gè)算法的識(shí)別率結(jié)果表明,在笑臉集上各個(gè)算法表現(xiàn)更好,在瞇眼情況下各個(gè)算法識(shí)別率下降。并且隨著遮擋率的提升,各個(gè)算法識(shí)別率均出現(xiàn)下降趨勢(shì)。因?yàn)椴[眼表情,人的眼睛這一主要特征受到影響,其識(shí)別率下降。總的來說,本文提出的SSPO算法在各個(gè)場(chǎng)景下的識(shí)別率最優(yōu),在session1笑臉、session2瞇眼、session2驚訝場(chǎng)景下,分別比第二好的算法識(shí)別率提升0.83%,3.12%,12.29%。這是因?yàn)镾SPO算法通過識(shí)別并剔除遮擋的塊,屏蔽了遮擋帶來的影響,提升了算法的識(shí)別率。

      2.3 運(yùn)行時(shí)間對(duì)比

      本文通過實(shí)驗(yàn)比較了SRC、SRC(AW-KPatch)、NNC和SSPO識(shí)別一張圖片平均所花的時(shí)間。在AR數(shù)據(jù)庫上,調(diào)用Matlab自帶的計(jì)算時(shí)間函數(shù),各個(gè)算法執(zhí)行前后的時(shí)間差即為運(yùn)行時(shí)間。如表9所示,識(shí)別一幅圖像各個(gè)算法的平均計(jì)算時(shí)間。

      表9 識(shí)別一幅圖像的平均計(jì)算時(shí)間

      通過對(duì)比表中各個(gè)算法的運(yùn)行時(shí)間以及上文中各個(gè)算法的識(shí)別率可知,SSPO算法無論在識(shí)別率和識(shí)別時(shí)間上都具有很大的優(yōu)勢(shì)。因此,本算法適用范圍更加廣泛。

      3 結(jié)束語

      針對(duì)部分遮擋的單樣本人臉識(shí)別問題識(shí)別困難的問題,本文創(chuàng)新性地提出了SSPO算法。通過MSEP分塊算法識(shí)別遮擋,剔除遮擋的分塊,通過SSPO算法對(duì)樣本進(jìn)行識(shí)別。在AR人臉庫和CMU Multi-PIE人臉庫對(duì)各個(gè)算法進(jìn)行了識(shí)別率和運(yùn)行時(shí)間的對(duì)比,結(jié)果表明,SSPO算法在部分遮擋單樣本人臉識(shí)別中不僅效率高,而且識(shí)別率高,更具有實(shí)際意義和實(shí)踐價(jià)值。

      猜你喜歡
      分塊識(shí)別率人臉識(shí)別
      人臉識(shí)別 等
      揭開人臉識(shí)別的神秘面紗
      基于類圖像處理與向量化的大數(shù)據(jù)腳本攻擊智能檢測(cè)
      分塊矩陣在線性代數(shù)中的應(yīng)用
      基于真耳分析的助聽器配戴者言語可懂度指數(shù)與言語識(shí)別率的關(guān)系
      提升高速公路MTC二次抓拍車牌識(shí)別率方案研究
      反三角分塊矩陣Drazin逆新的表示
      高速公路機(jī)電日常維護(hù)中車牌識(shí)別率分析系統(tǒng)的應(yīng)用
      基于自適應(yīng)中值濾波的分塊壓縮感知人臉識(shí)別
      基于多分辨率半邊的分塊LOD模型無縫表達(dá)
      黔西县| 广州市| 白沙| 东宁县| 舟山市| 宝鸡市| 德格县| 莫力| 宣化县| 普安县| 阿克陶县| 湾仔区| 伊春市| 临潭县| 渑池县| 随州市| 平昌县| 定结县| 吉木萨尔县| 麻江县| 皮山县| 英超| 青龙| 柳林县| 昌黎县| 克什克腾旗| 林口县| 平利县| 内江市| 婺源县| 承德市| 丰台区| 杂多县| 弥渡县| 农安县| 康乐县| 桦甸市| 莲花县| 晋中市| 罗平县| 新巴尔虎左旗|