基于压缩感知和图像分块的遮挡人脸识别.pdf

【基于压缩感知和图像分块的遮挡人脸识别】 在人脸识别技术中，遮挡是一个常见的问题，它严重影响了识别的准确性。传统的基于特征提取和比对的人脸识别算法在面对遮挡时往往表现不佳。压缩感知（Compressed Sensing, CS）理论的引入为解决这一问题提供了新的思路。压缩感知理论指出，如果一个信号在特定域内具有稀疏性，即大部分元素为零或接近零，那么只需要较少的非冗余测量就能重构这个信号。在人脸识别领域，这种稀疏性可以体现在人脸图像的某些特征上。 本文提出了一种基于压缩感知和图像分块的遮挡人脸识别方法，旨在改善遮挡对识别效果的影响。将原始人脸图像划分为若干个小块。这样做的目的是将遮挡的影响分散到更小的区域，减少遮挡对整体识别性能的破坏。然后，对每个图像块应用压缩感知，通过测量矩阵将高维图像数据转换为低维压缩表示。由于遮挡可能只影响部分块，因此其他未受遮挡的块依然能提供有效的识别信息。 在压缩感知之后，使用稀疏表示分类器（Sparse Representation Classifier, SRC）对这些压缩后的图像块进行识别。SRC算法基于信号的稀疏表示，通过寻找最接近压缩数据的训练样本的线性组合来确定身份。通过这种方式，遮挡部分的影响可以被其他非遮挡部分的信息抵消，从而提高识别率。 在AR人脸数据库上的实验表明，采用这种方法的人脸识别率可以超过80%，明显高于传统SRC算法的40%~50%识别率。这证明了该方法的有效性，尤其是在处理遮挡情况时。然而，值得注意的是，实际应用中遮挡的复杂性和多样性可能会对识别效果产生影响，因此需要进一步研究优化策略以适应不同的遮挡条件。 基于压缩感知和图像分块的遮挡人脸识别技术是一种创新的解决方案，它结合了压缩感知的信号重构能力和SRC算法的稀疏表示特性，有效地提升了遮挡人脸的识别效果。这一技术有望在安全监控、门禁系统以及社交媒体等应用场景中发挥重要作用，为提升人脸识别系统的鲁棒性和实用性提供了新的途径。