基于稀疏表示分类的人脸识别算法鲁棒性的研究与分析

摘要

人脸作为一种重要的生物特征，具有唯一性、稳定性、易获得性及不易伪造性等特点，从而被广泛应用于身份鉴别、安全监控、出入境管理、安全部门照片检索等领域。人脸识别作为计算机视觉领域的一个重要分支，其研究与发展不仅具有一定的理论意义，还具有较强的实际应用价值。
　　稀疏表示分类算法(Sparse Representation Based Classification，SRC)是近几年在人脸识别领域中的新型分类算法。基于线性表示和稀疏约束，相比其他算法具有优异的分类性能。但在每类训练样本较少、样本中存在较大光照、姿态、表情以及遮罩的情况下，算法分类性能下降较为严重。从这些角度切入，探究如何提高稀疏表示分类算法的鲁棒性。文章的主要工作如下：
　　(1).提出一种 K邻域分块自动加权的单样本人脸识别方法。当每类只有一个样本时，先对训练样本进行分块，使对应分块构成的分块训练字典达到扁平化满足稀疏性要求；按照同样的规则对测试样本进行分块，对每一个子分块求K邻域分块，以组成虚拟的同类别测试样本集；并提出一种自动加权策略，对这些分块在分类中的比重进行加权，最后通过一种改进的投票机制确定分类结果。实验结果表明，针对单样本问题，该方法具有较强的鲁棒性。
　　(2).提出一种基于均方差度量分块的自动加权稀疏表示方法。通过计算分块像素点的均方差，对分块在最终分类中的表决权进行加权度量。相比直接分块分类算法，该算法具有明显的识别率提升。
　　(3).提出一种带PCA卷积的稀疏表示分类方法。利用PCA算法从字典基中提取卷积核，根据这些卷积核提取图像特征，对特征进行加权及稀疏化处理，再应用稀疏表示分类算法进行分类。实验表明，该算法提取的卷积特征更加鲁棒，且获得了最好的识别效果。

目录

第一章 绪论

1.1研究背景与意义

1.2国内外研究现状

1.3本文研究内容

1.4本文组织结构

第二章 理论基础

2.1稀疏约束模型介绍

2.2范数定义及应用

2.3稀疏表示人脸识别算法

2.4常用鲁棒性稀疏表示算法介绍

2.5本章小结

第三章 基于小样本字典的鲁棒性人脸识别算法

3.1小样本问题描述

3.2鲁棒性算法模型

3.3基于K邻域分块自动加权的鲁棒性稀疏表示分类算法

3.4实验结果与分析

3.5本章小结

第四章 均方差度量分块的加权稀疏表示算法

4.1问题描述

4.2算法模型

4.3均方差度量分块的加权稀疏表示算法

4.4实验仿真及分析

4.5本章小结

第五章 带PCA卷积的鲁棒性特征字典训练算法

5.1引言

5.2PCA算法提取卷积核

5.3带PCA卷积的稀疏表示算法

5.4实验验证及算法分析

5.5本章小结

第六章 总结与展望

6.1本文总结

6.2展望

致谢

参考文献

附录

图版

声明