基于稀疏表示和支持向量机的人脸识别算法若干研究

摘要

人脸识别技术是生物识别领域中基于生理特征的一种识别技术,由于该技术有着操作方便、封密性好的特点，所以人脸识别被广泛应用在智能监控、安全系统、刑事侦查等方面。本文主要研究了人脸识别方法中两种典型的识别方法，即基于稀疏表示分类（Sparse Representation-based Classification,SRC）的人脸识别和基于支持向量机（Support Vector Machine,SVM）的人脸识别。主要研究工作如下： （1）提出了基于低秩子空间的LBP字典稀疏表示人脸识别算法，改善了光照变化问题中SRC算法效果不理想的状况。首先通过低秩矩阵恢复（LR）算法分解得到训练样本的低秩矩阵，然后提取低秩结构和测试样本的局部二值模式（Local Binary Pattern,LBP）特征，通过PCA降维后得到LBP特征字典和测试样本特征，接着构造稀疏表示分类模型进行分类识别。在YaleB人脸库上进行仿真实验，实验结果表明该方法较SRC算法、LBP方法和LLR方法具有更好的鲁棒性和识别效率。 （2）提出了基于加权Gabor特征和SVM的人脸识别算法，解决了传统SVM方法忽略人脸局部信息的问题。首先将图像进行非重叠均匀分块，根据每个子块的图像熵值对其赋予权重，再提取每个子块的Gabor特征，进行适当降维后将所有子块的Gabor特征联合成新的Gabor特征，最后用支持向量机进行分类识别。在Yale人脸库上进行实验仿真，实验结果表明该方法较传统Gabor方法、Gabor+PCA方法及Gabor+PCA+SVM方法的识别率有了很大的提高，并且在低维特征情况下体现出了稳健性和鲁棒性。 （3）提出了基于KPCA字典稀疏表示和SVM的人脸识别算法。该算法是在上述两项工作的基础上提出的，结合了SRC和SVM从而提升了识别效率。首先提取样本的KPCA特征并构造KPCA特征字典，将所有训练样本用特征字典进行稀疏表示得到训练集数据，再将测试样本稀疏表示得到测试数据，然后用SVM分类识别。在ORL人脸库上探究了特征值数量和稀疏系数的稀疏度与人脸识别率的关系，并与传统的稀疏表示分类方法和支持向量机方法作了对比，实验结果表明该方法具有一定的优越性。

目录

第一个书签之前