基于范数正则化回归的人脸识别

摘要

近年来，人脸识别技术因其广泛的应用而备受关注，关于人脸识别的新技术也层出不穷。但是面对复杂的应用环境，高精度的应用要求，研究鲁棒、高效的人脸识别算法具有重要的现实意义。
　　范数正则化的回归算法在机器学习、模式识别领域应用广泛。使用范数约束最小化误差函数，可以引导误差函数的解倾向于满足约束的梯度最小方向，基于此的算法如SRC，LASRC，RSC，CRC_RLS，NRS，SPP，CRP等在人脸识别领域取得了良好的效果。本文研究了l1，l2，l21和l∞等范数正则化的回归算法在人脸分类、人脸特征提取方面的应用。
　　基于l1范数约束的回归分类算法(LASSO回归)具有自适应提取数据稀疏特征的能力，鲁棒性较强，但是由于待识别的人脸图像最后要划分到某一模式中，所以有区别的稀疏更有意义。本文借鉴组稀疏并利用l∞范数提出了类别稀疏，实验证明，该算法的分类能力要优于传统的稀疏算法。
　　针对NS(LRC)分类器的多重共线性和缺乏对数据的选择能力的问题，本文将最近邻正则化子空间(NRS)引入到人脸识别领域，通过LDA构造Tikhonov矩阵构造了NRS-LDA分类器，并通过实验详细阐述LRC，CRC-Pre，NRS，NRS-LDA等分类器的优缺点，分析其产生的原因。在充分分析各分类器优点之上，结合LRC和NRS的优点提出了自适应的最近邻正则化子空间(ANRS)分类器。
　　针对LRC，PCR不能克服强光噪声的缺陷，本文借鉴2DPCA的信息表达能力和模糊优先比决策提出了分块的2DPCR算法。首先使用分块2DPCA对人脸图像进行特征提取，然后使用线性回归方法求出每一分块对应于每类训练样本的残差，最后取每块最小的前3个残差，使用模糊相似优先比决策判决人脸图像所属类别。该算法能够有效地克服强光噪声的影响，同时具有较强的姿态和遮挡鲁棒性。
　　稀疏保持投影(SPP)保持了数据间的稀疏重构性，所以可以提取数据的自然鉴别信息。但是l1范数的求解存在计算复杂度高的缺点，CRP使用l2范数替代l1范数，在没有影响识别率的情况下提高了运算速度。但是由于稀疏表示、协同表示提取数据全局信息能力较弱，影响特征提取的鲁棒性，其识别效果有待提高。相比于稀疏表示和协同表示，低秩表示具有很强的全局信息提取能力，通过使用低秩表示替代稀疏或协同表示，可以使投影具备较强的全局信息提取能力，鲁棒性更强。同时，为了增强特征的鉴别能力，本文引入了类内距离约束项。在FERET，AR，Yale等人脸库上的实验结果表明本方法识别率高于LDA，SPP，CRP等方法。

目录

声明

摘要

文中常见缩写及符号说明

第1章 绪论

1．1 课题背景及意义

1．2 国内外现状

1．2．1 回归分类算法

1．2．2 基于l1和l2范数正则化的子空间方法

1．3 研究的主要内容

1．4 论文结构安捧

第2章 基于类别稀疏和人工蜂群算法的人脸识别

2．1 基于l1范数正则化的稀疏表示分类

2．2 基于l1和l2范数正则化的组稀琉

2．2．1 Elastic Net回归

2．2．2 Group LASSO回归

2．3 基于l1和无穷范数的类别稀疏

2．3．1 算法的提出

2．3．2 改进的人工蜂群算法及问题优化

2．4 实验验证

2．4．1 人脸数据库介绍

2．4．2 CSRC的作用

2．4．3 实验结果

2．5 总结

第3章 自适应的最近邻Tikhonov正则化子空间其人脸识别

3．1 一种最近邻子空间分类器—LRC

3．2 最近邻正则化子空间

3．2．1 l2正划化

3．2．2 欧式距离权重Tikhonov正则化

3．2．3 LDA投影距离权重Tikhonov正则化

3．3 各分类器对比分析

3．3．1 光照鲁棒性

3．3．2 姿态鲁棒性

3．4 自适应的量近邻正则化分类器

3．4．1 算法的提出

3．4．2 实验验证

3．5 总结

第4章 基于分块2DPCR的人脸识别

4．1 线性回归分类的改进算法

4．1．1 岭回归

4．1．2 PCR

4．2 二维主成分分析

4．3 分块的二维主成分回归

4．3．1 分块2DPCR

4．3．2．模糊相似优先比决策

4．3．3 基于模糊决策的分块2DPCR算法步骤

4．4 实验验证

4．4．1 Yale B人脸数据库

4．4．2 CMU-PIE人脸数据库

4．4．3 FERET人脸数据库

4．4．4 AR人脸数据库

4．4．5 实验结果分析

4．5 总结

第5章 基于LRR的鉴别特征提取方法的人脸识别

5．1 线性图嵌入算法

5．2 稀琉保持投影和协同表示投影

5．2．1 SPP

5．2．1 CRP

5．3 基于低秩表示的鉴别特征提取

5．3．1 低秩表示

5．3．2 算法的提出

5．4 实验验证

5．4．1 Extended Yale B人脸数据库

5．4．2 AR人脸数据库

5．4．3 FERET人脸数据库

5．5 总结

第6章 总结与展望

6．1 总结

6．2 未解决的问题和以后工作展望

参考文献

致谢

攻读硕士学位期间的主要研究成果