人脸图像特征提取和分类的若干方法研究

摘要

一直以来，人脸识别都是模式识别和计算机视觉领域的研究热点。作为一种重要的生物特征识别技术，在社会公共安全和日常生活中具有广泛的应用前景。目前，人脸识别领域还有很多关键问题有待解决，比如如何抽取最为有效的特征，如何针对图像的污染遮掩等设计鲁棒的分类算法。本文主要针对人脸图像特征提取和鲁棒分类两个问题展开了深入研究。主要研究成果概述如下:
　　(1)本文提出了一种基于鉴别局部主方向直方图的人脸图像特征提取方法。在基于梯度方向统计的特征提取方法中，梯度方向都是通过直接计算对应像素点的梯度获得。然而，这种梯度方向信息对噪声和光照等变化是非常敏感的。为了解决这一问题同时加强图像特征的鉴别能力，本文利用主成分分析的方法来估计像素点的局部主方向，然后再统计局部区域内的梯度方向直方图，最后结合局部均值最近邻鉴别分析的方法获取低维的鉴别特征。与同类方法相比，该方法在处理噪声和光照变化时的识别性能更加鲁棒。
　　(2)本文提出了一种基于局部结构图像分解的人脸图像特征提取方法。该方法利用线性表示系数来度量图像局部范围内中心宏像素和近邻宏像素之间的结构关系，并依据得到的结构信息，将图像分解成一系列子图像，对每个子图像进行均匀下采样以后再使用Fisher线性鉴别分析获取低维的鉴别特征。该方法引入了一种新的图像局部特性度量模式，并且可以很好的削弱光照变化带来的影响。实验结果证明，该方法在面对光照、表情和年龄等变化时有较好的鲁棒性，与当前主流的人脸图像特征提取方法相比也具有一定的优势。
　　(3)在广义Tikhonov正则的基础上，本文提出了基于广义回归表示的人脸图像分类模型。在该模型框架下，本文设计了两个分类器:基本的广义回归表示分类器和鲁棒的广义回归表示分类器。近年来，基于正则编码的鲁棒人脸识别方法在处理存在噪声的人脸识别问题中表现出了优越的性能。但是此类方法忽略了隐藏在训练样本中的先验信息。为了解决这一问题，本文将广义的Tikhonov正则和K近邻算法结合在一起来挖掘隐藏在训练集中的先验信息。另外，应用迭代更新的策略实时学习测试样本的特定信息。实验结果证明，本文所提方法与当前主流的方法相比具有明显的优势。
　　(4)本文提出了一种基于低秩正则回归的人脸图像分类模型。当前主流的基于正则编码的鲁棒人脸识别方法，都是首先将图像转换成向量来进行后续操作。此类方法，在无形之中丢失了残差图像像素点之间的结构信息。为了弥补这一弱点，本文在回归模型的基础上了引入一个秩函数（为便于优化我们用核范数近似替代了秩函数）来刻画残差图像的结构信息，该模型直接对二维图像进行处理，并利用交替方向的乘子法求解优化问题。然后，借鉴鲁棒回归理论的思想，给出了一个鲁棒的低秩正则回归分类器。实验结果表明，在处理遮挡的人脸识别问题时该方法表现出了优越的识别性能，尤其是在人脸图像中存在块状遮挡时优势更加明显。

目录

声明

摘要

1 绪论

1．1 课题的研究意义

1．2 人脸识别问题描述

1．3 人脸识别研究概述

1．3．1 人脸检测

1．3．2 人脸特征点定位

1．3．3 光照预处理

1．3．4 特征提取

1．3．5 分类器设计

1．4 人脸识别中常用的公共数据库

1．5 本文的主要工作

1．6 论文组织安捧

2 基于鉴别局部主方向直方图的特征提取方法

2．1 引言

2．2 鉴别局部主方向直方图(D-HLDO)

2．2．1 基于主成分分析的局部方向估计

2．2．2 局部主方向特征提取

2．2．3 局部主方向直方图(HLDO)

2．2．4 基于局部均值近邻鉴别分析的图像特征表示

2．2．5 D-HLDO的特点

2．2．6 与相关方法的对比

2．3 实验

2．3．1 在AR人脸数据库上的实验

2．3．2 在PIE人脸数据库上的实验

2．3．3 在FRGC人脸数据库上的实验

2．3．4 参数的影响

2．4 本章小结

3 基于局部结构图像分解的特征提取方法

3．1 引言

3．2 基于局部结构分解的图像特征提取方法(IDLS)

3．2．1 脊回归

3．2．2 提取局部结构特征

3．2．3 图像分解和特征表示

3．2．4 基于高斯核度量的IDLS

3．2．5 与Gabor特征的对比

3．3 实验

3．3．1 在NUST_RWFR人脸库上的实验

3．3．2 在AR人脸库上的实验

3．3．3 Extended Yale B人脸库上的实验

3．3．4 在PIE人脸库上的实验

3．3．5 在FERET人脸库上的实验

3．3．6 参数的影响

3．4 本章小结

4 基于广义回归表示的人脸图像分类模型

4．1 引言

4．2 广义回归表示分类模型

4．2．1 基本的广义回归表示分类器

4．2．2 鲁棒的广义回归表示分类器

4．2．3 面对遮挡的鲁棒广义回归表示分类器

4．2．4 广义回归表示分类模型的优势

4．3 实验

4．3．1 手写体字符识别

4．3．2 无遮挡条件下的人脸识别

4．3．3 遮挡条件下的人脸识别

4．3．4 讨论

4．4 本章小结

5 基于低秩正则回归的人脸图像分类模型

5．1 引言

5．2 低秩正则回归(LR3)

5．2．1 低秩正则回归

5．2．2 优化算法

5．3 鲁棒的低秩正则回归(RLR3)

5．3．1 鲁棒的低秩正则回归分类器

5．3．2 RLR3的优势

5．4 实验

5．4．1 真实伪装条件下的人脸识别

5．4．2 块状遮挡条件下的人脸识别

5．4．3 无遮挡的人脸识别

5．4．4 讨论

5．5 本章小结

6 结束语

6．1 本文工作总结

6．2 后续工作

致谢

参考文献

A．攻读博士学位期间发表的论文

B．攻读博士学位期间参加的科学研究情况

C．攻读博士学位期间的获奖情况