基于特征学习的人脸识别方法研究

摘要

人脸识别一直是模式识别和计算机视觉领域的研究热点。人脸识别作为一种特殊的生物特征识别技术，其在社会公共安全和日常生活中具有广泛的应用价值和前景。目前，人脸识别领域还有很多关键问题有待解决，比如如何提取最为有效的特征，使其不受采集过程中光照、姿态、表情、遮挡和噪声等变化的影响。
　　本文研究了人脸识别的几种经典方法，并在这些经典方法的引导下，提出了两个新颖基于特征学习的人脸识别方法。本文的主要工作如下:
　　(1)本文基于常用的人脸识别技术进行了简要的介绍和总结。同时详细介绍了针对光照变化的人脸预处理方法，即Gamma灰度校正、对数变换、直方图均衡化和多尺度的Retinex方法，并在Yale B&Extended Yale B人脸数据库上进行对比验证实验。
　　(2)本文提出了一种基于Gabor张量的MPCA人脸识别方法。该方法的基本思想是利用Gabor小波与原始图像进行卷积，得到八个方向、五个尺度的40幅卷积图，然后将一幅图片通过Gabor小波变换得到的40幅幅值特征图像看作一个三阶张量，再采用MPCA的方法将原始高维特征空间映射到低维子空间进行判别分类。该方法较传统的PCA和GPCA能更好的保留图像的张量空间结构特征，而且该方法对光照、姿态和表情有较好的鲁棒性，但是由于计算复杂，会消耗计算机更多的内存容量和计算时间。
　　(3)本文提出了一种结构化低秩表示投影的人脸识别方法。该方法的基本思想是:利用训练样本的标签信息求解出结构化低秩表示系数，然后利用此系数建立图嵌入模型，通过定义一个投影矩阵，使得样本在投影之后的子空间中能保留原始高维空间中的低秩结构，最后在此低维子空间中进行判别分类。另外，考虑到图像的灰度值不能很好的表征人脸图像，本文还提出将第三章中求得的Gabor张量特征作为结构化低秩表示的训练样本和字典，即提出了一种增强型的结构化低秩表示投影方法。在多个人脸数据库上的实验结果表明了该方法对光照、姿态和表情变化具有一定的健壮性。