人脸识别:基于深浅特征融合的人脸识别( 三 )


本文插图
分析表1的实验结果可知 , 各算法性能为HOG_PCA_SRC
选用第一期的7张无遮挡图像作训练样本 , 即训练样本总数为120×7=840张 , 选用第二期的口罩和墨镜遮挡作测试样本 , 即测试样本的个数为120×3=360张 。 不同情况下各算法的识别率如表2和表3所示 。
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
分析表2和表3结果可知 , 在墨镜遮挡的情况下 , 本文算法能在不同的特征维数下获得最高的识别率 , PCANet_RSLDA_SRC的性能仅次于本文算法性能约1% , 其余3种算法的识别率较低 , 而HOG_RSLDA_SRC 与PCANet_RSLDA_SRC相比其性能相差较多 , 说明HOG特征不适用于遮挡条件下的人脸识别 , 而PCANet提取的特征相对于HOG特征对遮挡具有更强的鲁棒性 。 本文算法将两种算法提取的特征进行融合后作为最终的人脸特征 , 且实验结果显示 , 融合特征的识别率明显高于PCANet 和HOG特征所能达到的识别率 , 说明本文算法的融合方法能够挑选出强鲁棒性特征进行融合 。
围巾遮挡时 , 因遮挡面积较大 , 信息损失较多 , 所以算法性能均大幅下降 , 但本文算法仍能获得高于对比算法的识别率 。
2.2 Yale B数据库实验
Yale B数据库包含30个人每人64张不同光照条件下的正面照片 , 部分样例图像如图4所示 。 实验随机选取每人的20张图片做训练 , 30张图片做测试 , 重复10次取平均识别结果作为最终的结果 , 如图5所示 。
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
由图5可知 , 本文算法识别率高于对比算法 , 证明了本文算法在不同光照条件下对人脸识别具有更强的鲁棒性;但与PCANet_RSLDA_SRC相比 , 二者识别率相差不多 , 说明在该情况下本文算法性能优势有限 。
3 结论
本文将HOG特征和PCANet网络提取的特征进行融合 , 不仅包含数据的浅层局部和数据分布信息 , 还包含深度判别性信息 , 在AR及Yale B人脸数据库的实验结果验证了本文算法的有效性和鲁棒性 。 但和典型的PCANet相比本文算法的识别性能略低 , 而典型的PCANet所提取到的特征维数极高 , 且需要消耗大量的内存及时间 , 而本文算法因融合了深浅层特征可以在很小的特征维数下获得较高的识别率 , 因此本文算法具有一定的合理性 。 今后的研究工作中会探索更具判别性更合理的深浅特征进行更有效的融合 。
参考文献
[1] KIRBY M , SIROVICH L.Application of the karhunen-loeve procedure for the characterization of human faces[J].IEEE Transactions on Pattern analysis and Machine intelligence , 1990 , 12(1):103-108.
[2] 首照宇 , 杨晓帆 , 莫建文.基于改进的RPCA人脸识别算法[J].电子技术应用 , 2015 , 41(9):157-160.
[3] HE X , NIYOGI P.Locality preserving projections[C].Advances in Neural Information Processing Systems , 2004:153-160.
[4] QIAO L , CHEN S , TAN X.Sparsity preserving projections with applications to face recognition[J].Pattern Recognition , 2010 , 43(1):331-341.
[5] HE X , CAI D , YAN S , et al.Neighborhood preserving embedding[C].IEEE International Conference on Computer Vision , 2005:1208-1213.
[6] QIAO Z , ZHOU L , HUANG J Z.Sparse linear discriminant analysis with applications to high dimensional low sample size data[J].Iaeng International Journal of Applied Mathematics , 2009 , 39(1):48-60.


推荐阅读