SRC-RSC遮挡人脸识别实验报告.doc

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 Recognition based Classification , 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 \o "MySQL知识库" \t "/xiaoshengforever/article/details/_blank" 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 Coding , 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Meng Yang, Lei Zhang等人在2011年的《Robust Sparse Coding for Face Recognition》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 2.2 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 （1） σ > 0，