基于鲁棒判别式非负字典学习的遮挡人脸识别研究

Partial occlusion is one of the main challenges and becomes one of the main obstacles for the wide application of face recognition in real world. How to build an effective mathematical model to characterize the occlusion, then separate it from occluded faces successfully is the key to solve the problem of occlusion. It is demonstrated that human being can easily complete this task. In order to explore the mechanism and establish the corresponding model, this project aims to research the methods and related theories for recognition of occluded faces based on robust discriminative nonnegative dictionary learning. Based on the part and sparse representation characteristics of human visual system, we will achieve this goal by exploring the relation between sparse representation residuals and the discrimination of sub-dictionary. Specifically, we will combine the nonnegative constraints and the sparse represenation discriminative regularization with the objective function of sparse representation model. The project will involve: (i) constructing discriminative nonnegative dictionary learning model for the recognition of occluded faces, (ii) studying the learning algorithm for discriminative nonnegative dictionary, (iii) establishing classification scheme for the recognition of occluded faces. (iv) proposing new model to characterize occlusion. It will overvome the limitations of traditional sparse representation methods,e.g., low discriminability, low robustness, large size and negative pixel value, propose new tools and methods for the recognition of occluded faces.

部分遮挡是人脸识别面临的主要困难之一，已经成为人脸识别技术进一步推广应用的主要障碍。怎样建立有效的数学模型描述遮挡，从而实现遮挡物和被遮挡人脸的成功判别与分离是解决遮挡人脸识别问题的关键。研究证实，人类视觉系统能很容易地判别出遮挡和被遮挡物体。为了探索人类视觉系统对遮挡的识别机制，建立描述遮挡的数学模型，本项目拟研究基于鲁棒判别式非负字典学习的遮挡人脸识别方法及相关理论。以人类视觉系统的部分表示特性和稀疏表示特性为基础，通过探讨稀疏表达残差与各类子字典判别性的关系，把稀疏表示的非负性和稀疏表示的判别性作为约束项与稀疏表示模型的目标函数相结合，构建适合遮挡人脸识别的判别式非负字典学习模型，研究判别式非负字典学习算法，设计适合遮挡人脸识别的分类方案，给出描述遮挡的数学模型，解决字典判别性不强、鲁棒性差、字典规模大、字典中原子负值像素等问题，为遮挡人脸识别研究提供新的思路和方法。

传统人脸识别方法在部分遮挡情况下，识别性能受到较大的影响。近年来，一些研究工作表明基于字典学习的方法对噪声等具有很好的鲁棒性。为此，本项目开展了基于鲁棒判别式非负字典学习的部分遮挡人脸识别方法研究。根据项目研究计划，我们开展了一系列的工作，取得的主要研究成果有: (1) 提出了基于块对齐理论的鲁棒判别式非负字典学习框架，成果发表于国际顶级期刊IEEE Transactions on Neural Networks and Learning Systems。通过重新定义块对齐理论中的局部块构造方法和全局对齐方法，提出了一种取名为鲁棒判别式非负字典学习方法。该方法可以适用于非监督学习和监督学习两种情形。在非监督情况下，可以充分挖掘高维空间的局部几何结构信息；在监督情况下，可以同时融合样本类标信息，学习到判别性更好的非负字典。同时使用基于相关熵诱导的测度距离度量重构误差，对重构误差大的像素赋予小的权重，对重构误差小的像素赋予大的权重，从而有效应对训练样本中遮挡对字典的影响。在AR, Extended Yale B,CMU-PIE等多个人脸数据库及不同类型的遮挡下的实验结果表明提出的方法是非常有效的。(2) 提出了类中心正则化的鲁棒判别式非负字典学习方法，发表于国际知名期刊Pattern Recognition Letters。不同于已有方法将遮挡建模为某种特殊的分布，我们提出根据重构误差自适应的估计遮挡，在迭代学习过程中去识别和判别遮挡区域，因而不需要任何关于遮挡的先验信息，具有广泛的适用性；另一方面提出低维表示类中心正则化，使得同类样本低维表示紧凑，提高判别性，同时利用L2,1范数进行特征选择学习，有效提高字典的判别性。在AR, Extended Yale B,CMU-PIE和Movie Trailer Face 四个不同数据集上的不同类型遮挡的识别结果证实了该方法的有效性。(3) 提出了多视角非负鲁棒判别式字典学习算法，发表于国际著名期刊Neurocomputing。遮挡情况下，人脸部分信息缺失，因而考虑多视角人脸信息是有效的解决途径。多视角学习融合不同类型特征或者视角信息，得到判别式的一致表示。我们定义了多视角局块构造方法和全局对齐方法，其中局部块构造中考虑了不同视角的互补信息和各个视角的一致性。两个数据集上的实验结果证实了该方法的有效性。