人脸图像特征抽取与分类方法研究

摘要

人脸识别一直是模式识别和计算机视觉领域经久不衰的研究方向之一。人脸识别是一个典型的图像模式分析、理解与分类计算问题，它为模式识别、计算机视觉和类脑科学等多学科提供了一个良好的具体问题，和这些学科相互促进发展。人脸识别不易干扰被测者的正常工作，具有很高的友好性。尤其当前社会公共安全问题突出，它具有实施简易且可隐蔽进行的独特优势，在身份识别、智能检索、安全监控以及金融等领域有重要应用价值。
　　特征抽取和分类是模式识别领域中最基本和最重要的问题之一。抽取模式中的有效特征或关键特征是提高识别率的一种途径，特征抽取方法主要包括特征生成、特征选择和维数约减。在基于图像的对象识别领域，特别是在人脸图像识别中，由于原始的样本图像数目较少而维数相当高，如何提取关键特征进行维数约简与识别是当前研究的一个难点与热点问题。分类方法设计是在未知样本分布形式的前提之下，如何利用训练样本追求最佳效果的分类效果。
　　围绕人脸识别，本文主要研究工作包括:
　　(1)面向特征生成，提出两种局部Gabor纹理模式特征描述子方法用于人脸识别。
　　(2)面向特征提取，利用协同表示分类，提出了一系列协同表示特征提取方法:协同表示分析(CRA)的特征提取方法、对称协同主成分分析(SCRA)方法、协同表示重构特征提取方法和非线性核协同表示分析方法(KCRC)方法。
　　(3)面向分类，给出了一种基于局部均值表示的分类方法(LMRC)及其核化版本，LMRC利用局部近邻均值组建字典稀疏线性重构测试样本。
　　(4)面向遮挡和光照变化的鲁棒人脸识别，基于矩阵回归，提出了一种基于子块矩阵回归(PMR)方法及其多尺度融合版本。

目录

声明

摘要

1 绪论

1．1 人脸识别的意义

1．2 人脸识别的发展简史

1．3 人脸识别技术

1．3．1 人脸检测

1．3．2 特征点定位

1．3．3 特征提取

1．3．4 分类器设计

1．4 本文的主要内容

1．5 本文的内容安排

2 基于Gabor小波的特征生成方法

2．1 引言

2．2 局部特征描述子方法

2．2．1 局部二值模式

2．2．2 局部三值模式

2．2．3 中心对称二值模式

2．2．4 Gabor变换

2．2．5 局部Gabor二值模式

2．3 两种改进的局部Gabor纹理模式方法

2．4 实验结果

2．4．1 数据集

2．4．2 实验结果

2．5 本章小结

3 基于协同表示的人脸识别方法

3．1 引言

3．2 协同表示分类

3．3 一种协同表示分析特征提取方法

3．3．1 思想

3．3．2 分类

3．3．3 讨论

3．3．4 实验

3．4 一种核协同表示分析特征提取方法

3．4．1 核函数

3．4．2 核协同表示分析

3．4．3 实验

3．5 一种对称协同表示分析特征提取方法

3．5．1 基本思想

3．5．2 算法

3．5．3 实验

3．6 一种协同表示重构投影特征提取方法

3．6．1 基本思想

3．6．2 推导

3．6．3 执行算法

3．6．4 同其他方法的关联

3．6．5 实验

3．7 结论

4 一种基于局部均值表示的分类方法

4．1 引言

4．2 均值表示分类

4．3 局部均值分类

4．3．1 动机

4．3．2 算法

4．3．3 核局部均值分类

4．4 实验

4．4．1 在PolyU掌纹数据库上的实验

4．4．2 在AR人脸库上的实验

4．4．3 在CMU PIE人脸库上的实验

4．5．本章小结

5 基于多尺度子块矩阵回归的人脸识别

5．1 引言

5．2 相关工作

5．2．1 基于核范数的矩阵回归(NMR)

5．2．2 基于块的协同表示分类(Patch-based CRC)

5．3 基于多尺度子块矩阵回归

5．3．1．基本思想

5．3．2．基于子块的矩阵回归

5．4．多尺度集成

5．5 实验

5．5．1 无遮挡人脸识别

5．5．2．带遮挡人脸识别

5．5．3．讨论

5．6 本章小结

结束语

致谢

参考文献

附录