人脸图像识别的稀疏表示

开篇：润墨网以专业的文秘视角，为您筛选了一篇人脸图像识别的稀疏表示范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！

摘 要：人脸识别是现代生物信息辨识领域最重要技术之一，有着不可估量的应用市场。其定义是将给定人脸图像，分析收集在人脸库的图像样本集，然后识别出这个图像里面的一个甚至多个人的身份的过程。因为人的面部特征的大致不变性与个体的显著差异性，可以将其作为身份验证的理想判定标准。基于稀疏表示的人脸识别是一种最近几年才产生的识别效果较为显著的方法，主要是依照稀疏表示判别速度较快而且精准度较高的特点来完成对人脸的识别。

关键词：人脸识别；图像预处理；稀疏表示

1.引言

人脸识别：首先通过将样本人脸图像进行采集计算分析。然后建立人脸分类器，完成对人脸的识别。最后确定出需要鉴定的人的身份。人脸识别的技术可靠性高，稳定性好，更方便用户的身份验证技术。基于这些优点，有关人脸识别的探索具备了重要的科研价值和非常大的发展前途。

稀疏表示在目前信号领域非常重要研究成果之一。它是一种基于最小化范数的优化方法。在计算机视觉中的应用中获得了巨大成功。稀疏表示采用少量的样本建立训练集。在性能上优于人工神经网络，支持向量分类方法。图像的稀疏表示能够非常简练地描述图像。即主要的原子系数是零，仅有少数非零的系数值。而这些非零的系数表示出的内部结构的图像的本质属性，和冗余系统的噪声和误差更鲁棒的处理，这是有利于随后的图像处理操作。稀疏表示理论已受到了国内外广大学者的重视，是当前研究的热点和难点。

2.稀疏表示原理

近年来，信号的稀疏表示己经成为高频信号的获取、表示与压缩方面的一个强大的解决问题的工具，已经受到广大研究学者们的广泛关注。信号的多方向表示是一个重要的研究方向，如小波，脊波，轮廓变换的信号稀疏表示的。相比基于正交变换域和时域处理，信号稀疏表示建模能力更有效。

传统的信号表示方法是将信号分解为一组正交基函数的线性组合。稀疏表示是利用字典，将信号表示成少数原子的线性组合的过程。稀疏表示的源由自然信号能够被压缩之后能够表示出来。而在自然界里面几乎所有的信号都具备稀疏性的特点。不仅如此，稀疏表示在特征选择，信号分类，图像去噪和盲信号分离等领域也得到许多的应用。该模型能够优秀的描述高频信号之间的线性的联系。稀疏表示不仅通过选择很少的表示样本，就能够增强模型的可理解性，更能够使分类准确率得到极大的提高。图像稀疏表示采用过完备字典。

3.图像预处理

正常情况下，图像样本获取可以通过图像拍摄装置或者人脸库进行直接提取。在获取人脸图像以后，预处理就是最重要的前期工作。预处理结果的好坏直接影响后人脸图像的特征提取及分类。

设备在采集图像的过程中，由于脉冲、摄像头抖动等干扰的影响，使得采集到的图像往往存在着非常多的噪声干扰。因此在进行一些高级别的图像处理之前，选用适当的算法去除噪声干扰是一个非常重要的预处理步骤。又因为拍摄角度与拍摄距离的不同也会导致人脸图像的大小及方向就会各不相同。为方便下一步的图像特征提取，就需要对人脸图像进行预处理操作。

人脸检测是指在需要检测的图像中检出标定人脸的过程。目前，已有的人脸检测方法主要有：

（1）基于先验知识的方法。该以人脸知识为根据，并利用其反映出人脸各部分特征之间的联系的规则方式。虽然综合人脸图像的各种特征信息之后，在基于规则的特征搜索方法实施，检测效果也会较为稳定，但是如何建立规则，选取何种特征，以及怎样各种特征进行组合，依然是目前难以解决的问题。

（2）基于特征脸的方法。指在各种条件都改变的情况下求取人脸区域中的特征脸进行人脸检测。

（3）模板匹配的方法。这类工作包括Kelly提出的自上而下的人脸器官图像分析法实现人脸的定位与检测。

（4）基于统计模型的方法。基于Adoboost的人脸检测方法不但检测精度非常高，而且检测速度也能够得到很快的提高。该方法采用积分图像的方法进行分析，计算出样本的特征矩阵。选择少量的关键特征进行学习训练，然后构造出新的分类器。把多个分类器结合起来，组成一个新的级联结构。在检测的时候，如此就能够快速地把图像中非人脸区域一一排除出来。因此这样就基本上达到了真正意义上的实时检测。

4.基于稀疏表示的人脸识别

稀疏表示的最开始的时候是用来压缩信号以及描述未知的信号。随后，稀疏分解又逐渐应用到图像的去噪、压缩、分解等领域之中。最后，稀疏表示有可以通过线性分析之后转化为 L1范数求最优解。这一发现导致稀疏表示在人脸识别中被采用。

图1 稀疏表示的应用

稀疏表示就是利用稀疏字典将信号进行稀疏的线性表示出来。超完备稀疏字典能够形成一个较为稀疏的表示，并且可以对噪音和误差具有更强大的鲁棒性。在2009年，由 MaYi等人引入到人脸识别技术当中，提出了稀疏表示分类器的思想，并验证了其在克服遮挡和光照等问题的有效性通过将稀疏表示的方法应用于人脸识别当中，来描述人脸图像样本模式之间的稀疏特性，成为人脸特征提取然后进行分类的新思路。在这种方法中，通过选择所有的训练样本所建立的超完备字典，并由此得到测试的图像样本的稀疏表示。再逐类构造出测试图像样本的近似解，然后找出测试图像样本中表示误差值最小的类训练图像样本，那么其类别就被认为是测试图像样本的最终类别。

稀疏表示方法应用到特征提取是在2010年的时候，即首先设置一个低频空间，然后在该线性空间中求解训练数据之间稀疏关系结果，求解出其映射结果。在那之后，人们在求解数据间稀疏表示关系结果的同时，将相邻不同类别数据间的距离进行最大化，让分类的过程更加快速流畅。

5.结束语

人脸识别具有很高的理论研究价值。人脸识别系统主要包括特征提取和分类识别两大部分。特征提取的主要目的是为了降维，并提取出图像中的有效信息，为分类与识别做准备。分类器的构造是根据提取的特征结果进行分类，确认出样本所属类别。人脸识别虽然在某些方面已经取得了一些成果，但仍存在一些问题，并且人脸识别系统还不够完善。由于人脸识别的复杂性，本文所做的工作对解决实际应用中的人脸识别问题还是远远不够的。（作者单位：白城师范学院计算机科学学院）

参考文献：

[1] 周杰，卢春雨，张长水，等.人脸自动识别方法综述[J].电子学报，2000，28（4）：102-106

[2] 艾英山，张德贤.人脸识别方法的综述与展望[J].计算机与数字工程，2005，33（10）

[3] 章毓晋.中国图像工程及当前的几个研究热点[J].计算机辅助设计与图形学学报，2002，14（6）：489-500