基于FPH特征提取框架的鲁棒人脸识别

摘要

人脸识别是计算机视觉和模式识别领域非常活跃的研究方向之一。现实场景中的人脸图像会受到光照、姿态、表情、遮挡等因素的影响，这给人脸识别带来很大困难。为此，研究者们针对如何提取对上述因素鲁棒的人脸特征进行深入研究。其中，基于特征图(Feature)生成、模式图(Pattern Mapping)编码和柱状图(Histogram)计算的特征提取框架（简称为FPH框架）受到了广泛的关注和研究，并取得了显著的效果。但FPH框架为什么要采用这样的组合以及其为什么具有鲁棒性，目前还未有对此进行深入研究的工作。
　　本文对FPH特征提取框架的鲁棒性及其在人脸识别中的应用进行研究，主要工作和研究内容如下:
　　(1)深入分析FPH特征提取框架的鲁棒性，针对特征图的生成、模式图的编码进行研究，得出了特征图的生成准则，即特征提取的局部性、特征分解的冗余性和对噪声的深度滤波;探究了模式图对特征图的可逆压缩编码的原理和作用;分析了不同的特征图与不同的模式图之间的匹配规律。在AR和Extended Yale B两个人脸数据库上验证并分析了FPH框架中各部分的重要性。
　　(2)结合FPH特征提取框架的鲁棒性原理，基于增强特征冗余性的目的，提出局部球面规范化方法，通过将其嵌入到PCANet网络中，大大提高了特征的冗余性，同时增强了网络对噪声的过滤能力。在AR和UMB-DB两个人脸数据库上的实验表明改进后的PCANet比PCANet具有更强的遮挡鲁棒性和光照鲁棒性。
　　在以后的工作中可考虑在FPH框架下研发新的特征提取方法和模式图编码方法，进一步提升人脸识别的鲁棒性。

目录

声明

摘要

1．1 研究背景与意义

1．2 国内外研究现状

1．2．1 特征提取研究现状

1．2．2 FPH框架研究现状

1．3 研究内容

1．4 论文章节安排

第2章 相关理论基础

2．1 FPH框架中的传统特征提取方法

2．2 PCANet：基于深度学习的特征提取方法

2．3 FPH框架中的编码方法

2．4 本章小结

第3章 FPH特征提取的鲁棒性原理

3．1 引言

3．2 FPH框架的鲁棒性分析

3．3 特征图生成的基本准则

3．3．1 局部性

3．3．2 特征分解的几种方式

3．3．3 深度滤波：精简参数、逐步增大感受野

3．4 模式图编码的基本原理：可逆的特征压缩

3．4．1 模式图编码的几种方法及一般规律

3．4．2 可逆的特征压缩过程

3．5 实验与分析

3．5．1 基于Extended Yale B数据库的模拟遮挡人脸识别

3．5．2 基于AR数据库的实际遮挡人脸识别

3．6 本章小结

第4章 基于改进的PCANet的鲁棒人脸识别

4．1 引言

4．2 局部球面规范化

4．3 PCANet的局部球面规范化嵌入

4．4 实验与分析

4．4．1 基于UMB-DB数据库的人脸识别实验

4．4．2 基于AR数据库的人脸识别实验

4．5 本章小结

5．1 总结

5．2 展望

参考文献

致谢

攻读学位期间参加的科研项目和成果