文摘
尽管人类的视觉刺激的差异如老化、条件的改变一个人,和闭塞,识别甚至可以一眼就完成后由人眼多年前遇到的。它建立了面部不同发型的变化,越来越多的胡子,戴着眼镜,和其他形式的遮挡几乎不能阻碍人类大脑的力量从人脸识别。然而,同样不能轻易说自动智能系统已发展到模仿人脑的技能来帮助识别。已经有越来越多的利益在发展中更有弹性、更有效的识别系统主要是由于其众多应用领域(访问控制、娱乐/休闲、安全系统基于生物特征数据,和用户友好的人机接口)。尽管有许多研究人脸识别在不同姿势,光照、表情、遮挡造成的图像退化问题大多忽略了。因此本研究着重于面部遮挡和人脸图像提出了一种增强机制,通过增加改善阻挡脸图像的识别。本研究评估了主成分分析,奇异值分解的性能使用快速傅里叶变换(FFT-PCA /圣言)预处理与missingness脸图像的人脸识别算法和增强图像数据库。发现的平均识别率FFT-PCA /计算算法是相同的( )当面对missingness和图像增强的脸图像被用作测试图像,分别。统计评估显示,存在显著差异的平均识别距离脸missingness和图像增强图像当FFT-PCA /圣言会用于识别。增强的脸的图片往往有一个相对较低的平均识别距离当作为测试图像。这一发现是违反平等性能评估采用的数值技术。因此老鼠算法推荐合适的归责机制增强/提高人脸识别系统的性能。
1。介绍
人脸识别技术在图像处理的过程中确定一个或更多的人在通过分析和比较模式图像或视频。在人脸识别中,一个算法来提取面部特征比较数据库,目的是找到最佳匹配。人脸识别的计算模型由土耳其和Pentland [1)创造了现在的意识在这一领域的研究。根据谢里夫et al。2),可行的技术增强人脸识别在图像处理获得重要地位但约束如老化、面部表情,和闭塞没有充分解决。阻塞是指妨碍面部识别情况,无关的对象,,它代表失踪在面部图像信息或洞(3]。曹et al。4)提出,面部毛发如胡子或胡子和配件的使用像太阳镜和围巾会导致阻塞。同时,根据Thazheena和Aswathy Devi [5),一张脸可以阻挡如果面积的一部分,被穿着对象喜欢太阳镜,一个面具,帽子或围巾的眼睛和嘴的位置。他们分类闭塞是天然和合成。自然阻塞是指妨碍视图对象在一个图像之间没有任何意图。另一方面,一个人工封锁或故意覆盖图像视图合成闭塞。
一些不同的原因人们使用这些物品中列出下面的例子。首先,由于安全原因,保护医务人员戴着口罩在治疗病人和人们在建筑工地戴头盔保护头部受伤。其次,人们戴面纱,因为他们的文化习俗或宗教信仰。第三,银行劫匪,自动柜员机(ATM)骗子,小偷,和足球流氓用物品来掩盖他们的脸当他们想提交非法行为。最后,运动的男性和女性使用头盔橄榄球,游泳帽游泳等体育竞赛。这些物品的使用改变了原始的外观的人,带来了挑战识别系统由于扭曲的脸表示。
根据Gonzalez-Sosa et al。6],阻塞数据missingness面临的影响矩阵。这降低了面部图像,减少了识别算法的性能,因此,需要恢复等部分获得整个面部。
分钟et al。7)提出了一个有效的方法包括首先检测存在的围巾/太阳镜,然后处理nonoccluded面部区域。闭塞检测问题是接近使用伽柏小波,PCA和支持向量机(SVM),而nonoccluded面部识别的部分是使用基于块的局部二进制模式执行。他们AR面对数据库上的实验表明,该方法相比收益率显著的性能改进识别部分闭塞的一些现有的作品也nonoccluded面孔。他们提出的方法给平均识别率为94.58%,92.08%,和75.83%使用时识别nonoccluded脸,围巾和太阳镜遮挡,分别。
Miyakoshi和加藤8)提出了一个归责方法使用贝叶斯网络(BN)加权学习转嫁面对图像缺失值。他们的系统成功地分类测试样品用缺失值。缺失值估算的方法,与成功比一些传统归责方法(正常BN,加权资讯,意思是,和支持向量回归)。加权贝叶斯网络给出了准确率为83.6%,65.6%,76.5%,和58.5%当测试图像没有遮挡,眉毛阻塞,阻塞,分别和嘴阻塞。
赖特et al。9开发了基于稀疏表示的人脸识别。稀疏的方法需要一个适当的利用适当的选择功能。足够,需要大量的特性来获得正确的计算。这种方法的缺点是确定的数量特征,为正确计算就足够了。提出了一种稀疏表示分类(SRC)稀疏表示理论的预测有多少阻塞可以由一个识别算法除了训练图像的选择以最大化的鲁棒性。
进一步的调查证明了协作表示(CR),使得稀疏表示分类的早期作品中被忽视。因此,协作表示分类(CRC)是结合正则化最小二乘(RLS)获得一个新的分类方法(CRC_RLS) [10]。尽管CRC_RLS改善SRC,拉普拉斯算子或高斯分布限制统计编码系数和编码错误。
Asiedu et al。11]杠杆左右对称的性质对自然对象重建额从左和右脸图像分割图像。他们进一步评估的性能FFT-PCA /奇异值分解算法重建面部图像数据库。
对称也可以有限制的使用情况相同的区域在左和右脸被遮挡的部分。这些约束在上述方法需要需要探索其他方法在人脸识别系统识别脸部图像遮挡。我们的目标是提高识别模块产生精度高。为此,本研究寻求提高人脸识别系统的改动闭塞地区的脸(面临增加)。
2。材料和方法
2.1。数据来源
这项研究采用了麻省理工学院(MIT)(2003 - 2005)数据库基准测试人脸识别算法。它是一个二级数据库是由十个主题,与主题拍摄不同角度下提出了( , , , , , , ,和 )。在这项研究中,我们集中在面对图像捕获直的姿势(下 )。train-image数据库包含二十额脸图像。这些图片是10直接从麻省理工学院(2003 - 2005)数据库构成。到train-image数据库中捕获的图像表示为训练图像和用于训练算法。图1显示图像捕获到火车图像数据库。
通过创建随机missingness十额图片被收购了在每一个图像。这些被捕获到测试图像数据库1标为“锢囚脸图像。“图2包含了图像捕捉到测试图像数据库1。
2.1.1。多元归责与链方程(老鼠)
一个常用的归责方法广泛应用来处理缺失数据的统计是老鼠。这种方法也被称为顺序回归或完全有条件的规范(FCS)多个归责12]。这是一个非常灵活的方法,因为它可以处理离散和连续等不同的变量类型。连续变量通过线性回归方法建模而分类变量是通过逻辑回归模型。
它有三个不同阶段类似于任何其他多个归责方法:归责,分析和池。它创造了多个罪名克服单一的归责的限制。老鼠使用完全有条件的规范(FCS)保持独特的特性,比如界限,跳过模式,互动,括号内的响应数据(12]。
老鼠的操作是基于假设的随机缺失(MAR)暗示缺失值概率并不依赖于未被注意的价值只有在观测值12]。老鼠可以处理大型数据集通过使用链方程与其他归责方法相比,使用联合模型(13]。这使得它成为了一个强大且灵活的多元归责方法使用许多回归算法。
在这项研究中,十个正面脸图像是通过增加图像使用的多元归责与missingness链方程(老鼠)算法。这些图像捕获到测试图像数据库2标为“增强图像。“图3包含了图像捕捉到测试图像数据库2。
保持数据一致,抓取的图像数字化成灰阶精度和调整大小 维度和预处理的数据类型转换成双精度。这使得图像(矩阵)整合和增强的简单计算11]。
2.2。研究设计
识别系统的训练图像预处理使用意味着定心和采用快速傅里叶变换(FFT)机制。预处理的重要特征脸图像提取使用PCA /计算算法。提取的功能是存储在内存中创建知识识别。
这项研究考虑了两种测试图像数据库:额脸图像随机missingness(如图2)和额叶脸图像通过增加图像使用老鼠与missingness算法(如图3)。测试图像预处理使用意味着定心和快速傅里叶变换(FFT)机制和其独特的功能是识别提取使用PCA /圣言。这些特性被传递到分类器在哪里与知识创造训练图像的识别。值得注意的是,只有一个测试图像数据库是用于识别模块的训练图像数据库。图4显示了识别模块的设计。
2.3。预处理
预处理是一个初期的人脸识别的图像质量增强。根据Asiedu et al。11),预处理技术用于降噪图像使其更好的识别条件。预处理的图像基本上消除了噪声和抑制不必要的失真的图像特征。这提高了特征提取的图像质量。的意思是定心和快速傅里叶变换机制采用预处理。快速傅里叶变换的细节和意味着定心机制用于面部图像的预处理提出了部分2.3。1和部分2.3。2,分别。
2.3.1。快速傅里叶变换
采用快速傅里叶变换(FFT)降噪机理。根据格林[14),FFT算法降低了计算负担算术运算。Zhang et al。15)和Asiedu et al。16]证明了FFT在图像预处理阶段的应用提高了识别系统。
一个列向量的DFT, ,在数学上表示为 在哪里 和 。 是列图像的矩阵,(11]。
采用高斯滤波器滤波后的脸图像离散傅里叶变换,因为光照变化的高斯性质(11]。
过滤后,逆离散傅里叶变换(IDFT)进行重建图像成原来的形式。逆离散傅里叶变换(IDFT)是由
逆变换后的输出通常是复杂的。真正的组件是使用提取特征提取阶段而虚构的组件被丢弃的噪音。图5显示了FFT图像的预处理阶段。
2.3.2。意思是定心
考虑到图像样本 ,元素的vectorised形式的个人形象在这项研究中,中心是由减去均值图像正在研究从单个图像。的意思是 的意思是定心图像是由 和 是脸的mean-centered矩阵空间。
2.4。特征提取
脸图像的存储需要的尺寸的减少使用原始图像特征提取方法。这是由于大脸图像空间的性质。我们采用主成分分析(PCA)作为一个降维算法来提取最重要的组件或组件的更丰富和更少的冗余,从原始数据。主成分分析可以用来发现低维子空间确定了轴的最大方差(17]。
如前所述,FFT-PCA /计算算法被用来训练图像数据库中提取独特的脸特征识别。
我们现在面对的数学支撑特征提取机制,PCA /圣言,如被Asiedu et al。16]。
一组正交向量, ,最好的描述了数据的分布,为特征提取是必需的。的向量选择这样 是一个最大的话题正规化约束
向量和标量分别是特征向量和特征值的variance-covariance矩阵作为
通过奇异值分解)的协方差矩阵 ,提取特征值及其对应的特征向量。圣言会分解给两个正交矩阵和和一个对角矩阵 。
然后eigenfaces计算从以下方程: 在哪里是列向量的 。
提取的主成分作为训练集的 和 。这些知识是存储在内存中创建的认可。
2.5。识别过程
我们可以回想一下,有两个测试图像数据库:额脸图像随机missingness(如图2)和额叶脸图像通过增加图像missingness使用老鼠(如图3)。当一个测试图像通过识别模块,其独特的特征提取 和 提取的主成分(特性)的测试图像。
识别距离(欧几里得距离)计算
最小欧氏距离 和 ,是选为识别距离。
3所示。结果与讨论
图6介绍了人脸图像识别的距离和火柴missingness和增强图像。图中可以看到6有一个不匹配与missingness面部图像时被用作测试图像识别。同时,有一个不匹配时,增强面对图像作为测试图像识别。
3.1。数值评估
采用平均识别率的数值评估标准评估算法的性能在两个数据库。平均识别率, ,被定义为的算法 在哪里是实验的数量,正确识别的数量吗运行和面临着被测试的总数在每次运行(16]。平均错误率, ,被定义为 。
正确识别的总数研究算法是9。
实验运行的总数 ,和总数量的图像在一个单一的实验运行 。
现在,使用脸部图像与missingness测试图像,研究算法的平均识别率(FFT-PCA /圣言)
平均错误率
使用增强的图像作为测试图像,研究算法的平均识别率(FFT-PCA /圣言)
平均错误率
3.2。统计评估
识别距离得到来自同一受试者在两个不同的治疗(与小鼠图像missingness和增强图像);因此,配对样本测试适用于统计评估的实验。
让表示距离识别记录使用脸与missingness测试图像和图像表示距离识别使用的增强图像作为测试图像个体;然后配对差异 应该反映的微分影响治疗。
现在假设的差异 ,是独立的观察从 分布,然后统计 在哪里 和 有一个t分布与的自由度。因此,一个 - - - - - -水平测试的假设 ,对 ,进行了比较与 和上 百分位的t分布与自由度。请注意, 意味着平均差的识别距离脸missingness和图像增强图像是零。
做出决定是否拒绝 , 值对应于计算统计比较的意义。一个平均差的置信区间识别距离 被构造成
一些假设支撑配对样本t以及观察必须成对的、独立的和观察到的差异应该是正态分布。
每个观察一个治疗(人脸图像识别距离missingness)有一个匹配(配对)与相应的观察其他治疗(表面增强图像识别的距离)。这满足的假设成对观测。
独立假设观测获得,因为不同的受试者在研究数据库。
表1显示了识别的样本统计量的距离为研究对象研究中使用时脸图像missingness和增强人脸图像作为测试图像。
很明显从表1老鼠后,图像识别的平均距离增大(134.0239)低于那些missingness (202.5990)。我们现在通过Shapiro-Wilks评估观察到的差异的正常测试。测试进行检查是否观察到的差异的分布是一样的预期(正常)分布。检验统计量的值与相应的测试是0.908值为0.267。这意味着观察到的差异的分布是一样的预期分布(正常)。违反正常的假设,我们会采取非参数对应(相关样本魏克森讯号等级测试)的配对样本测试。
配对样本之间的相关性与missingness人脸图像的识别距离,增强面对图片是0.611值为0.06。这表明存在一个适度的积极面对图像的识别距离之间的线性关系和missingness脸增强图像的识别距离。的值为0.06时表示这种关系是不重要的水平的意义。配对样本的结果t测试如表所示2。
从表可以看出2平均脸图像的识别距离观察区别missingness和识别距离增强脸图像(分别为MD和广告)是68.5751。配对样本测试的测试统计值与相应的3.979值为0.003。这是明显的值之间存在着显著差异平均脸图像识别距离missingness脸图像增强和识别距离。可以推断,平均脸图像识别距离missingness(有显著提高显著性水准)比一般的识别距离增强图像。
4所示。结论和建议
FFT-PCA /计算算法产生的平均识别率每个当脸missingness和图像增强图像作为测试图像,分别。很明显从数值的结果评估,识别算法有同样的性能当脸missingness和图像增强图像作为测试图像。
数值结果(平均识别率为90%)的这项研究是明显的和一致的最小et al。7)和Miyakoshi加藤(8]尽管闭塞条件差异(随机遮挡;眉毛、眼睛和嘴巴遮挡;围巾和太阳镜遮挡)和数据库用于基准识别/分类系统。
统计评估显示,之间有显著差异的平均识别距离脸missingness和识别距离图像增强图像。脸图像的平均识别距离missingness明显高于平均识别距离增强图像。这意味着提高人脸识别模块通过增强小鼠算法是一种可行的改进,因为它提供了识别距离相对较低。相对较低的识别距离是理想的,因为它意味着接近的比赛。
数值评估机制未能揭示隐藏的效果的增强小鼠算法而统计评估过程能够发现这种效果。这可以归因于这一事实的统计评价机制更数据驱动的方法来评估识别算法的性能。这也可能是由于missingness的低水平创建。优势鼠增强机制可能在后续研究中被证明是更好的通过增加missingness面对创建图像的水平。
从这个研究的发现,老鼠算法因此推荐合适的归责机制增强/改善识别模块/系统使用时的性能认识阻挡脸图像。
数据可用性
PGM图像数据支持这项研究来自之前报道的研究和数据集,已被引用。处理过的数据可从相应的作者。
的利益冲突
作者宣称没有利益冲突。