基于稀疏表示的鲁棒性人脸识别算法的研究

摘要

人脸识别是模式识别的重要研究方向,具有理论研究和实际应用价值。自动人脸识别以其无侵犯性、信息易采集和低成本等优势,在海关检查和视频监控等多个领域应用广泛。稀疏表示是人脸识别领域的一个重要发展方向,能够有效提高人脸识别的鲁棒性。
　　本文采用鲁棒性稀疏表示分类方法进行人脸识别。在研究稀疏表示分类方法的基础上,对无训练字典和有训练字典两类稀疏分类方法展开研究;讨论了训练字典的判别性对分类性能的影响,并对两类稀疏表示分类方法进行改进,最终在人脸识别应用中,达到提高识别率的目的。本文的研究工作包括以下两个方面:
　　1.稀疏表示分类方法的研究。首先研究了稀疏表示的基本思想和方法,然后验证了基于稀疏表示分类的人脸识别算法的鲁棒性。通过Fisher和Metaface两种字典训练方法,重点研究了训练字典对稀疏表示方法识别性能的改善,并通过实验验证了训练字典能够有效提高人脸识别鲁棒性。
　　2.基于稀疏表示的人脸识别(稀疏表示人脸识别)方法的研究。对无训练字典和有训练字典的两类识别方法进行了改进,具体工作如下:
　　1)在无训练字典的稀疏人脸识别算法中,直接用训练样本集对测试图像进行稀疏重建,根据最小重建误差进行识别。为了提高表示系数的判别性,在稀疏重建中利用局部约束与稀疏约束相结合的方法,对算法进行改进。在保证表示系数的稀疏性前提下,使系数趋于选择与测试人脸存在同一子空间的训练样本,从而提高表示系数的判别性。并通过实验证明,改进算法提高了人脸识别率。
　　2)在有训练字典的稀疏人脸识别算法中,引入距离约束来改进字典训练方法。距离约束能够充分挖掘数据的局部特性,在稀疏字典中筛选出距离较近的同类原子,训练一种具有判别性能的结构字典,有利于提高识别性能。该字典即是训练样本的鲁棒性聚类,能够以较少的原子完整地表示训练样本数据。经实验验证,改进字典具有较强的判别性,该字典的稀疏表示分类算法较同类算法,人脸识别率明显提高。
　　3)改进的字典训练中的目标函数具有收敛性,所以在字典训练中采用闭形解方法进行字典更新和稀疏编码,从而避免l1范数复杂的优化问题,有效解决了字典训练计算量较大的问题。

目录

封面

声明

中文摘要

英文摘要

目录

第一章 绪 论

1.1研究背景及意义

1.2 国内外研究现状和发展趋势

1.3 人脸识别与分类方法

1.4 本文研究的主要内容和安排

第二章 稀疏表示分类方法

2.1 稀疏表示基础

2.2 稀疏表示人脸识别

2.3 本章小结

第三章 字典训练方法

3.1 字典方法概述

3.2 基于Fisher判别准则的稀疏表示分类方法

3.3 基于Metaface的字典训练方法

3.4 实验结果

3.5本章小结

第四章 改进的稀疏表示人脸识别算法

4.1 算法思想

4.2 无训练字典的稀疏表示人脸识别算法

4.3 训练字典的稀疏表示分类算法

4.4 本章小结

第五章 总结与展望

5.1 本文总结

5.2 展望

致谢

参考文献