.284. 智能系统学报 第11卷 Bayesian方法(Pixel+Bayesian)、灰度特征+稀疏表 Bayesian)、深度学习特征+稀疏表示分类方法(DL+ 示分类方法(Pixl+SRC)、深度学习特征+最近邻分 SRC,SRDLFC)。所得识别率结果如表3和图7所 类(DL+NN)、深度学习特征+Bayesian方法(DL+ 示。 表3AR数据库中人脸识别结果（每类字典数1-7） Table 3 Under-sampled Face Recognition Results in AR (Training samples per class:1-7)】 /% 各方法识别率 2 5 6 7 Pixel+NN 7.64 11.68 14.93 17.92 20.76 23.52 26.37 Pixel+Bayesian 15.59 23.04 28.53 33.00 36.94 40.78 44.12 Pixel+SRC 16.34 29.39 39.84 48.01 54.40 59.58 64.03 DL+NN 31.02 41.38 49.18 55.15 60.30 64.97 68.85 DL+Bayesian 34.88 48.29 56.57 65.00 70.62 74.45 77.89 DL+SRC 41.16 58.71 67.78 75.68 80.76 84.30 86.26 DL-SBC DL-Bayesian 4.2 CMU PIE人脸数据库识别实验 100 DL-NN CMU-PIE数据库包含68人的41368张彩色图 90 广 80 Pixel-SRC 像（每人约50张），含有13种姿态、43种光照、4种 70 Pixel-Bayes 60 表情的类内变化的干扰。图像使用DLIB开源库进 50 40 行人脸对齐。 30 .0" Pixel-NN 20 本文随机选择每类1-25张人脸图像作为训练 135791113151719212325 集字典，其余图像做测试集，10次实验取平均值。 每类字典数 对比方法同4.1章节。所得识别率结果如表4和图 图7AR数据库中人脸识别结果 8所示。 Fig.7 Recognition results in AR 表4 CMU PIE数据库中人脸识别结果（每类字典数1~7） Table 4 Under-sampled Face Recognition Results in CMU PIE(Training samples per class:1~7) /% 每类字典数 1 2 3 4 5 6 7 Pixel+NN 17.63 27.09 34.18 39.12 42.85 45.97 48.64 Pixel+Bayesian 15.33 29.93 35.85 42.43 47.22 50.70 54.01 Pixel+SRC 24.94 38.74 47.65 54.81 58.99 62.58 65.82 DL+NN 55.85 71.89 79.64 82.85 85.40 86.92 88.37 DL+Bayesian 53.23 68.96 74.13 77.91 81.29 83.68 85.77 DL+SRC 59.05 77.76 83.43 85.62 88.46 90.70 91.99 100 DL-NN DL-Bayesian DL-SBC 方法在较大类内变化干扰的环境下均能有较大的提 90 升，特别是本文提出的基于深度学习特征的稀疏表 80 Pixel-SRC +++ 70 示的人脸识别方法，取得了较各类方法更加优越的 60 效果。SRDLFC较传统的各类方法能够提升6%~ 50 Pixel-Bayesian 40 Pixel-NN 60%,尤其在小样本情况下更为明显，体现了稀疏表 30 示的特征具有较好的子空间特性、可分性、可迁移性 20 1 及对类内变化的不变性。而基于稀疏表示分类框架 135791113151719212325 每类字典数 的应用，更加有助于提升深度学习特征的分类准确 率，在较大类内变化的小样本的人脸识别问题中具 图8 CMU PIE数据库中人脸识别结果 有更大的优势。 Fig.8 Recognition results in CMU PIE 通过实验可以看到，基于深度学习特征的各类Ｂａｙｅｓｉａｎ 方法（ Ｐｉｘｅｌ＋Ｂａｙｅｓｉａｎ）、灰度特征＋稀疏表 示分类方法（Ｐｉｘｅｌ＋ＳＲＣ）、深度学习特征＋最近邻分 类（ＤＬ＋ＮＮ）、深度学习特征＋Ｂａｙｅｓｉａｎ 方法（ＤＬ ＋ Ｂａｙｅｓｉａｎ）、深度学习特征＋稀疏表示分类方法（ＤＬ ＋ ＳＲＣ，ＳＲＤＬＦＣ）。 所得识别率结果如表 ３ 和图 ７ 所 示。 表 ３ ＡＲ 数据库中人脸识别结果 （每类字典数 １～ ７） Ｔａｂｌｅ ３ Ｕｎｄｅｒ⁃ｓａｍｐｌｅｄ Ｆａｃｅ Ｒｅｃｏｇｎｉｔｉｏｎ Ｒｅｓｕｌｔｓ ｉｎ ＡＲ （Ｔｒａｉｎｉｎｇ ｓａｍｐｌｅｓ ｐｅｒ ｃｌａｓｓ： １～ ７） ／ ％ 各方法识别率 １ ２ ３ ４ ５ ６ ７ Ｐｉｘｅｌ＋ＮＮ ７．６４ １１．６８ １４．９３ １７．９２ ２０．７６ ２３．５２ ２６．３７ Ｐｉｘｅｌ＋Ｂａｙｅｓｉａｎ １５．５９ ２３．０４ ２８．５３ ３３．００ ３６．９４ ４０．７８ ４４．１２ Ｐｉｘｅｌ＋ＳＲＣ １６．３４ ２９．３９ ３９．８４ ４８．０１ ５４．４０ ５９．５８ ６４．０３ ＤＬ＋ＮＮ ３１．０２ ４１．３８ ４９．１８ ５５．１５ ６０．３０ ６４．９７ ６８．８５ ＤＬ＋Ｂａｙｅｓｉａｎ ３４．８８ ４８．２９ ５６．５７ ６５．００ ７０．６２ ７４．４５ ７７．８９ ＤＬ＋ＳＲＣ ４１．１６ ５８．７１ ６７．７８ ７５．６８ ８０．７６ ８４．３０ ８６．２６ 图 ７ ＡＲ 数据库中人脸识别结果 Ｆｉｇ．７ Ｒｅｃｏｇｎｉｔｉｏｎ ｒｅｓｕｌｔｓ ｉｎ ＡＲ ４．２ ＣＭＵ ＰＩＥ 人脸数据库识别实验 ＣＭＵ⁃ＰＩＥ 数据库包含 ６８ 人的 ４１３６８ 张彩色图 像（每人约 ５０ 张），含有 １３ 种姿态、４３ 种光照、４ 种 表情的类内变化的干扰。 图像使用 ＤＬＩＢ 开源库进 行人脸对齐。 本文随机选择每类 １－２５ 张人脸图像作为训练 集字典，其余图像做测试集，１０ 次实验取平均值。 对比方法同 ４．１ 章节。 所得识别率结果如表 ４ 和图 ８ 所示。 表 ４ ＣＭＵ ＰＩＥ 数据库中人脸识别结果 （每类字典数 １～ ７） Ｔａｂｌｅ ４ Ｕｎｄｅｒ⁃ｓａｍｐｌｅｄ Ｆａｃｅ Ｒｅｃｏｇｎｉｔｉｏｎ Ｒｅｓｕｌｔｓ ｉｎ ＣＭＵ ＰＩＥ （Ｔｒａｉｎｉｎｇ ｓａｍｐｌｅｓ ｐｅｒ ｃｌａｓｓ： １～ ７） ／ ％ 每类字典数 １ ２ ３ ４ ５ ６ ７ Ｐｉｘｅｌ＋ＮＮ １７．６３ ２７．０９ ３４．１８ ３９．１２ ４２．８５ ４５．９７ ４８．６４ Ｐｉｘｅｌ＋Ｂａｙｅｓｉａｎ １５．３３ ２９．９３ ３５．８５ ４２．４３ ４７．２２ ５０．７０ ５４．０１ Ｐｉｘｅｌ＋ＳＲＣ ２４．９４ ３８．７４ ４７．６５ ５４．８１ ５８．９９ ６２．５８ ６５．８２ ＤＬ＋ＮＮ ５５．８５ ７１．８９ ７９．６４ ８２．８５ ８５．４０ ８６．９２ ８８．３７ ＤＬ＋Ｂａｙｅｓｉａｎ ５３．２３ ６８．９６ ７４．１３ ７７．９１ ８１．２９ ８３．６８ ８５．７７ ＤＬ＋ＳＲＣ ５９．０５ ７７．７６ ８３．４３ ８５．６２ ８８．４６ ９０．７０ ９１．９９ 图 ８ ＣＭＵ ＰＩＥ 数据库中人脸识别结果 Ｆｉｇ．８ Ｒｅｃｏｇｎｉｔｉｏｎ ｒｅｓｕｌｔｓ ｉｎ ＣＭＵ ＰＩＥ 通过实验可以看到，基于深度学习特征的各类 方法在较大类内变化干扰的环境下均能有较大的提 升，特别是本文提出的基于深度学习特征的稀疏表 示的人脸识别方法，取得了较各类方法更加优越的 效果。 ＳＲＤＬＦＣ 较传统的各类方法能够提升 ６％ ～ ６０％，尤其在小样本情况下更为明显，体现了稀疏表 示的特征具有较好的子空间特性、可分性、可迁移性 及对类内变化的不变性。 而基于稀疏表示分类框架 的应用，更加有助于提升深度学习特征的分类准确 率，在较大类内变化的小样本的人脸识别问题中具 有更大的优势。 ·２８４· 智 能 系 统 学 报 第 １１ 卷