基于改进低秩恢复稀疏表示的人脸识别方法的研究

摘要

传统的人脸识别技术在一般情况下能够简单、快速有效地进行识别。但当遇到的拍摄角度和距离的不定性、照明亮度的变化、面部姿态的多变性以及噪声的随机性等各种方面的影响时，识别性能迅速下降，从而制约了人脸识别领域的发展。
　　本文针对人脸识别领域广泛使用的稀疏表示人脸识别算法(Sparse Representation based Classification,SRC)中的某些缺陷进行改进，旨在寻找鲁棒性更好的识别方法。
　　SRC中：
　　1）运用单位阵作为误差字典不能很好地表达待测图像中的噪声部分；
　　2）当训练样本较少时，SRC的字典不完备，使得稀疏表示受到影响，导致识别效果不理想；
　　3）SRC中求解凸优化问题的复杂性非常高，不便于普及。针对SRC的这些缺点本文给出一种基于低秩恢复的非负稀疏表示人脸识别方法(Low Rank Recovery Non-negative Spare)。
　　该算法的思路是用低秩恢复(Low Rank Recovery,LRR)重建训练样本组成的矩阵，得到一个低秩逼近阵和一个稀疏的噪声阵（这里的噪声阵更能表示误差部分）并将它们组成字典，此时组成的字典比SRC中的更完备，然后对于稀疏表示添加非负限制来解决SRC中求解l1范数最优化问题复杂度高的问题。在YaleB人脸库上，设置不同数量的训练样本，分别对SRC、ESRC和LRR_NSRC进行测试，结果表明LRR_NSRC在训练样本越少时，表现出的优势越大，识别率比SRC、ESRC高出越多。
　　随后针对LRR_NSRC对姿态变化敏感，而变换不变低秩纹理算法(Transform Invariant Low-rank Textures，TILT)能够直接通过2D图像进行（仿射或投影）的域变换得到3D场景中某些不变结构（即直接探索不变性转换为从2D图像恢复成3D图像的反问题，从而恢复出待测图像的低秩纹理和噪声矩阵），给出一种运用TILT代替LRR的TILT_NSRC算法，该算法首先对训练样本进行变换（仿射或投影），再恢复出矫正后的低秩逼近矩阵和误差矩阵，然后进行稀疏表示和识别。在FERET人脸库上，对人脸库中倾斜度不同的测试样本分别运用SRC、LRR_NSRC及TILT_NSRC进行识别，结果表明SRC和LRR_NSRC均对姿态变化较为敏感，而TILT_NSRC对姿态变化较大的人脸图像依然具有较好的鲁棒性。

目录

封面

声明

中文摘要

英文摘要

插图索引

表格索引

符号对照表

缩略语对照表

目录

第一章绪论

1.1人脸识别技术的背景及意义

1.2国内外研究现状

1.3本文主要工作及章节安排

第二章人脸检测和矩阵重建相关算法

2.1 引言

2.2基于肤色模型的人脸检测

2.3基于AdaBoost算法的人脸检测

2.4矩阵重建算法

2.5本章小结

第三章人脸特征的提取方法

3.1 引言

3.2奇异值分解法

3.3主成分分析法

3.4线性鉴别分析法

3.5本章小结

第四章基于低秩恢复的非负稀疏表示人脸识别

4.1 引言

4.2稀疏表示人脸识别

4.3基于低秩恢复的非负稀疏表示人脸识别

4.4实验结果和分析

4.5本章小结

第五章基于TILT的非负稀疏表示的人脸识别

5.1 引言

5.2变换不变的低秩纹理

5.3基于TILT的非负稀疏表示的人脸识别

5.4实验结果和分析

5.5本章小结

第六章结束语

6.1总结

6.2 展望

参考文献

致谢

作者简介

1.基本情况

2.教育背景

3.在学期间的研究成果