基于改进的格拉斯曼流形的模糊人脸图像识别

曾爱林

摘 要： 传统算法进行模糊人脸识别的过程中，一旦人脸表情发生变化，人脸特征也将发生改变，导致人脸识别的准确性降低。为此，提出一种基于改进的格拉斯曼流形的模糊人脸识别方法。在格拉斯曼流形上构建全部模糊人脸样本图像的近邻图来估计人脸特征分布的几何结构，然后将其作为正则化项整合到模糊人脸识别的目标函数中，从而获得更精确的人脸特征投影矩阵。仿真实验结果表明，利用改进算法进行模糊人脸识别，能够提高识别的准确率和效率，效果令人满意。

关键词： 改进的格拉斯曼流形； 模糊人脸识别； 人脸特征分布； 人脸识别方法

中图分类号： TN919?34； TP391.4 文献标识码： A 文章编号： 1004?373X（2015）22?0034?03

0 引 言

随着社会的快速发展，对身份识别技术的要求也越来越高[1]，由于人脸的特征相对固定且个体之间存在较强的差异性；因此，人脸识别技术成为身体识别的重要依据[2]，其在人工智能、刑侦、档案管理等领域都有着广泛的应用[3]。但是，在实际的人脸识别过程中，由于受到人脸图像采集设备的制约和采集环境的制约，极易出现模糊人脸的情况，如利用监控设备采集的人脸图像[4]，或者远距离采集的人脸图像等，都会出现模糊人脸的情况，造成了人脸识别的准确性降低[5]。因此，如何对模糊人脸进行准确识别，已经成为当前图像处理领域中的一个研究热点，受到了很多学者的重视[6]。

目前，已经有很多学者针对模糊人脸识别的问题提出了一些解决方法，并得到了广泛的应用[7]。现阶段，主要的模糊人脸识别方法包括：基于特征提取的模糊人脸识别方法[8]，基于小波分解的模糊人脸识别方法和基于支持向量机的模糊人脸识别方法。其中，最常用的是基于特征提取的模糊人脸识别方法[9]。由于模糊人脸识别方法在很多领域都能发挥无可替代的作用，因此该课题的发展前景十分广阔，并成为很多科研单位研究的重点课题[10]。传统的人脸识别方法，对于人脸特征的依赖性较高，而人脸特征又会受到人脸表情变化的制约，一旦人脸表情发生变化，将会造成人脸特征发生改变，从而降低了人脸识别的准确性。

1 模糊人脸识别的有关原理

1.1 模糊人脸特征的提取

在进行模糊人脸识别的过程中，需要对人脸图像进行分割，从而提取到感兴趣的人脸区域的特征。设置原始的人脸图像为[f（x，y）]，分割阈值为[T]，分割后的人脸图像为[g（x，y）]，分割的区域的数目为[C]，则分割后的人脸图像能够描述为：