字典学习优化结合HMAX模型的鲁棒人脸识别.docVIP

字典学习优化结合HMAX模型的鲁棒人脸识别 　　摘 要： 针对人脸识别中由于姿态、光照等变化而影响识别性能的问题，提出了字典学习优化结合HMAX模型的人脸识别方法。首先，使用样本图像和从样本获得的仿射包模型联合表示一幅图像；然后，利用HMAX模型提取C2特征，并利用字典学习优化特征矩阵；最后，将视觉注意模型与原始模型的C2特征进行组合，并利用支持向量机完成分类。在Caltech和AR人脸数据库上的实验结果表明，相比其他几种较新的人脸识别方法，提出的方法取得了更好的识别性能，对人脸表情和光照变化具有鲁棒性。 　　关键词： 人脸识别； HMAX模型； 鲁棒性； 支持向量机（SVM）； 字典学习优化 　　中图分类号： TN911.73?34； TP391.4 文献标识码： A 文章编号： 1004?373X（2016）15?0053?05 　　Abstract： Since the variation of attitude and illumination in face recognition may affect on the recognition performance， a face recognition method combining dictionary learning optimization with HMAX model is proposed. In the method， the combination of sample image and affine package model got from the sample image is used to express an image； after that the HMAX model is used to extract the C2 features， and the eigenmatrix is optimized with dictionary learning； and then the C2 features of visual attention model and original model are combined， and classified with support vector machine （SVM）. The results of experiment relied on Caltech and AR face database show that， in comparison with other advanced face recognition methods， the proposed method has better recognition performance， and has the robustness for the variation of facial expressions and illumination. 　　Keywords： face recognition； HMAX model； robustness； support vector machine； dictionary learning optimization 　　0 引 言 　　人类视觉系统可识别人脸，尽管光照、大小、位置、表情和视角有变化[1]。最近几年，人脸识别及其在生物特征识别、模式识别和计算机视觉上的应用成为研究的热点[2]。基于人脸识别发展的需求，最近关于人类视觉系统和视觉注意的大脑机制引起了很多关注[3]。 　　视觉系统划分为两个主要处理流[4]：背侧流（从主视觉皮层到顶叶皮层），其用于控制眼睛运动和视觉注意；腹侧流（从主视觉皮层朝颞叶，包括V1，V2，V4，后颞（PIT）和前颞（AIT）），其处理目标和人脸的细节。背侧和腹侧流并不完全独立，且在更高区域，例如前额叶皮层（PFC）和V4，通过相互影响连接交互[5]。 　　腹侧流皮层的部分比喻已经用于典型计算机视觉中的许多计算模型中，但是，大部分模型仅模仿腹侧流，而不考虑视觉注意和腹侧流区域之间的连接。因此，改进必须集成视觉注意模型和分层腹侧流模型[6]。这些模型中，基于特征组合的物体识别框架（HMAX）[7]是一种强大的计算模型，其建模视觉皮层中人类腹侧视觉流的目标识别机制。文献[8]中提出了具有学习能力的HMAX模型，增强了模型的性能。腹侧流HMAX模型的C2特征用于人脸识别和手写识别。近几年，开发出了各种腹侧流HMAX模型以增强该模型的效率，所有这些模型中，已有许多特征选择方法[9?11]。文献[9]提出了稀疏局部特征模型（SLF），是HMAX模型的扩展版本，该模型相比HMAX模型具有更好的性能，更加依赖视觉皮层。文献[10