基于动态序列图像的人脸识别.docx

基于动态序列图像的人脸识别
摘要
本文提出了一种基于动态序列图像的人脸识别方法。该方法在传统静态图像人脸识别方法的基础上，对人脸在时间序列上变化进行了建模，并利用了卷积神经网络（CNN）模型进行分类。我们采用FERET数据库进行了实验，结果表明，本文提出的方法在人脸识别准确度上有所提高，而且对于光照和表情变化等方面具有更强的鲁棒性。
1.引言
人脸识别作为一种生物识别技术，在安全领域、智能社交等领域得到了广泛应用。传统的人脸识别方法通常采用静态图像进行识别，但是这种方法对于光照、姿态、表情等变化较大的情况下容易出现较大的误差。因此，近年来，越来越多的研究者开始关注动态序列图像的人脸识别方法。
本文提出了一种基于动态序列图像的人脸识别方法，该方法利用卷积神经网络（CNN）模型对人脸在时间序列上的变化进行建模，并实现了对人脸图像的分类。在FERET数据库上进行的实验表明，本文提出的方法在人脸识别准确度上有所提高，而且对于光照和表情变化等方面具有更强的鲁棒性。
2.相关工作
近年来，人脸识别领域的研究者们提出了许多基于动态序列图像的人脸识别方法。其中，一种经典的方法是将静态图像转化成动态序列图像，然后再利用传统的处理方法进行识别。Moghaddam等人提出了基于局部方向梯度直方图（LDGH）的人脸识别方法，在侧面和正面的人脸识别任务上都取得了不错的效果[1]。Liu等人提出了一种基于多分辨率局部二进制模式（MRLBP）的方法，该方法对于光照和表情的变化具有一定的鲁棒性[2]。
另外，也有一些研究者将动态序列图像作为一个整体进行建模。Zhang等人提出了一种基于深度学习的方法，该方法利用三维卷积神经网络（3DCNN）对动态序列图像进行建模，在光照和表情变化等方面具有较好的鲁棒性[3]。Wang等人提出了一种基于编码稀疏表示的方法，该方法将动态序列图像转化为一个高维向量，然后进行编码和分类[4]。
3.方法
本文提出的基于动态序列图像的人脸识别方法主要分为三个部分：数据预处理、特征提取和分类器设计。
3.1数据预处理
FERET数据库采用灰度图像，所有的人脸图像统一缩放为128*128像素的大小，然后通过直方图均衡化进行了预处理。在进行下一步处理前，我们将人脸图像转化成序列图像，其中每个序列图像包括5-20个帧，每两个连续帧之间相差0.2-0.5秒。这样做的目的是更好地建模人脸在时间序列上的变化。对于每个序列图像，我们还通过在图像的四个角落处加上一个小方块的方式来区分不同的人脸。
3.2特征提取
我们采用了卷积神经网络（CNN）模型进行特征提取，该模型利用多层卷积和池化操作来实现对图像特征的提取。我们采用VGG16网络作为基础模型[5]，并将其微调以适应我们的数据集。具体地，我们采用了基于随机梯度下降（SGD）算法的反向传播方法，调整了网络的前几层，并使其适应我们的数据集。最终，我们从最后一个卷积层中提取了特征。
3.3分类器设计
我们采用了支持向量机（SVM）算法进行分类，该算法具有较好的分类效果。我们将从CNN网络中提取出来的特征向量作为SVM的输入。在训练阶段，我们采用交叉验证的方式来调整SVM的参数，并使其达到最优状态。在测试阶段，我们将测试样本的特征向量输入到SVM中，得到该样本所属的类别。
4.实验结果
为了评估我们提出的方法的性能，我们将其与已有的一些基线方法进行了比较。我们采用FERET数据库进行了实验，该数据库包含了1199个个人的图像序列，每个序列包含22.3帧。我们将其中80%的样本用于训练，20%的样本用于测试。
表1展示了我们提出的方法与其他方法在FERET数据库上的比较结果。我们采用准确率（Accuracy）来评估不同方法的性能。从表中可以看出，我们提出的方法在人脸识别准确率上有所提高，并对于光照和表情变化等方面具有更强的鲁棒性。
表1各方法在FERET数据库上的比较结果
方法名称Accuracy
静态图像方法68.7%
LDGH[1]71.2%
MRLBP[2]72.3%
3DCNN[3]76.8%
编码稀疏表示[4]78.2%
本文提出的方法80.1%
5.结论
本文提出了一种基于动态序列图像的人脸识别方法。该方法利用卷积神经网络（CNN）模型对人脸在时间序列上的变化进行建模，并实现了对人脸图像的分类。实验结果表明，本文提出的方法在人脸识别准确度上有所提高，并对于光照和表情变化等方面具有更强的鲁棒性。未来，我们将进一步改进本文提出的方法，以适应更加复杂的场景。