基于稀疏表示和聚类字典学习的人脸识别算法研究

摘要

人脸识别是模式识别和计算机视觉领域的研究热点，广泛应用于国防军事、智能监控、公共安全、人机交互等诸多方面。近几年，基于稀疏表示的分类方法(SRC)由于其所具有的有效性和简单性获得了越来越多研究者的关注，并且被成功应用于计算机视觉和图像处理等问题当中。本文分析和总结了国内外对稀疏表示分类方法的相关研究，提出以下三种对其进行改进的识别算法：
　　1.本文提出基于局部约束组的核稀疏表示分类算法(LG-KSRC)。该算法在原始稀疏表示分类的基础上加入局部约束项和组稀疏项，使得算法能选择与测试样本近邻并且来自同一类的训练样本来重构测试样本，更好地保留了数据的局部性和组稀疏性。算法还进行了核拓展，解决了样本线性不可分的问题。
　　2.本文提出基于半局部二进制模式的核稀疏表示分类算法(HLBP-KSRC)。首先综合核坐标下降法和稀疏表示分类方法为一个全新的核稀疏表示分类框架(KCD-SRC)，然后在此框架中采用局部图像特征和基于半局部二进制模式的汉明距离核函数，整合后的稀疏表示分类框架对光照、噪声和遮挡鲁棒，并且具有判别性。
　　3.本文提出基于半监督竞争聚集的类K-SVD字典学习算法(SCA-KSVD)。该算法首先通过聚类方法缩减字典原子数，构造最优的字典。然后运用K-SVD算法对优化后的字典进行学习，使字典具有更好的判别能力和表示能力。
　　本文在三个公共的人脸数据库Extend YaleB、ORL和AR上进行了大量的实验来验证所提出算法的有效性，并且对稀疏表示和字典学习的经典算法进行了对比。实验结果表明本文所提出的算法取得了更好的识别效果。

目录

封面

声明

中文摘要

英文摘要

目录

第一章 绪论

1.1课题研究背景及意义

1.2人脸识别系统介绍

1.3本文的研究内容及安排

第二章 稀疏表示图像识别的理论基础

2.1引言

2.2稀疏表示人脸识别技术

2.3稀疏表示的鲁棒性

2.4本章小结

第三章 基于局部约束组的核稀疏表示分类算法

3.1引言

3.2组稀疏约束和局部约束编码

3.3基于局部约束组的核稀疏表示分类

3.4实验结果与分析

3.5本章小结

第四章 基于半局部二进制模式的核稀疏表示分类算法

4.1引言

4.2基于局部模式的核稀疏表示分类

4.3基于Half-LBP直方图表示的汉明距离核

4.4实验结果与分析

4.5本章小结

第五章 基于半监督竞争聚集的K-SVD字典学习算法

5.1引言

5.2聚类算法

5.3 K-SVD字典学习算法

5.4基于半监督竞争聚集的K-SVD字典学习算法

5.5实验结果与分析

5.6本章小结

第六章 总结与展望

6.1本文工作总结

6.2进一步工作展望

参考文献

附录1 攻读硕士学位期间撰写的论文

致谢