江苏龙网

  1. 首页 > 人文 > >

人脸识别：基于深浅特征融合的人脸识别( 二 )


在浅层特征提取阶段 ， 本文采用局部-全局的分步特征提取方案：HOG特征可提取图像浅层局部特征；考虑到数据的分布特点 ， 选用RSLDA特征可在保留数据分布的基础上提取数据的全局特征 ， 因此本文算法的浅层特征中包含了局部-全局特征 ， 且保留数据局部性；在深度特征提取阶段 ， 为解决少样本情况下深度特征提取问题 ， 采用PCANet提取网络的深度特征；然后采用对深浅特征进行融合并分类 。
1.1 浅层特征提取
本文采用HOG作浅层特征 ， HOG(Histogram of Oriented Gradients)特征是图像的一种简单有效的局部特征描述符 ， 首先 ， 将图像划分成多个区域；然后 ， 计算每个区域的梯度直方图 ， 再将每个区域划分成几块 ， 计算每块的梯度直方图并串联 ， 构成该区域特征；将所有区域特征串联起来构成图像的HOG特征描述符 。
1.2 深度特征提取
PCANet 原理如图2所示 ， 在每个阶段选用经典的PCA滤波器作卷积核；非线性层选用最简单的二进制量化（哈希编码）；特征池化层采用逐块二进制码直方图作为最终的网络输出特征 。
人脸识别：基于深浅特征融合的人脸识别
本文插图

人脸识别：基于深浅特征融合的人脸识别
本文插图
假设第i层滤波器个数为Li ， PCA最小化造成的正交滤波器的重构误差即：
人脸识别：基于深浅特征融合的人脸识别
本文插图
1.3 判别性信息再选取
本文采用RSLDA算法进一步对深浅层特征进行提炼 。 RSLDA算法可自适应选取最具判别性的特征 ， 提取的特征不仅能保留大部分能量 ， 且对噪声具有一定的鲁棒性 。 算法简要介绍如下：
设有数据集X=[x1 ， x2 ， … ， xn]∈Rm×n(m表示样本维数 ， n表示样本个数） ， RSLDA采用l2 ， 1范数 ， 优化方程如下：
其中 ， Q∈Rm×d(db和Sw分别为类间和类内散度矩阵；λ1为平衡参数 ， u为一个小的正常数用于平衡两个散度矩阵 。 通过采用l2 ， 1范数 ， 式(3)可自适应分配特征权重 。 其中约束条件X=PQTX ， PTP=I可以看作PCA的变体用以保留能量 ， P∈Rm×d为正交重构矩阵 。 λ2为平衡参数 ， E表示误差 ， 是对随机噪声的建模 。
1.4 特征融合
原理分析：对任意一张给定的图像I ， 采用HOG算法提取图像的浅层局部特征 ， 记为IH ， 考虑到数据的分布特点 ， 采用RSLDA进一步对HOG特征进行降维 ， 同时在保留数据分布的基础上提取数据的全局特征 ， 此时特征记为IHR ， 因此本文算法的浅层特征中包含了局部-全局特征 ， 且保留数据分布性；同时本算法采用PCANet提取网络的深度特征记为IP ， 同样采用RSLDA对PCANet特征进行降维 ， 降维后的特征记为IPR；在特征融合阶段首先采用串联的形式将深浅特征进行简单融合得到IHP=[IHP ， IPR] ， 因融合后的特征会存在一定的冗余信息 ， 因此进一步采用RSLDA对IHP进行降维 ， 同时也提炼出IHP中最具判别力的特征 ， 这也是对深浅特征的进一步融合；最后 ， 训练SVM分类器进行分类 。
2 实验仿真
为验证本文算法性能 ， 在AR和Yale B人脸数据库上进行实验 ， 并选用SRC、PCANe、PCANet_RSLDA_SRC、HOG_PCA_SRC、HOG_RSLDA_SRC作为对比算法 。
2.1 AR数据库
AR数据库包含120人每人26张采集于两个时期的图片 ， 其中一人的全部图像如图3所示 。
首先选用120人每人第一个时期采集的13张图像作训练样本 ， 第二个时期样本作测试集 ， 即训练和测试样本的数量均为120×13=1 560张 。 因此 ， 此实验的训练及测试集中均涵盖了光照、表情、遮挡及时间变化 。 实验结果如表1所示 。
人脸识别：基于深浅特征融合的人脸识别


推荐阅读


上一篇：新浪科技■几千年前古代人类的乐趣爱好：吹骨笛、聚会喝酒

下一篇：人民日报：英国可再生能源发电快速发展