基于LDA和稀疏表示的人脸图像识别研究

摘要

人脸识别是人工智能的重要分支，在民用和商用领域如人机交互、监控系统等方面具有重要意义。近年来，随着机器视觉和机器学习的突飞猛进，特征提取和分类器的设计日趋复杂和多样。但是，影响人脸识别的因素如小样本一直是难以解决的问题，这使得对特征提取与分类器的要求越来越高，难度越来越大。本文在对机器学习算法研究的基础上，开展对人脸识别关键技术的研究工作，包括特征提取、分类器设计，实现了适用于小样本环境的特征提取与分类算法，主要成果如下：　　首先，研究并实现了主成分分析和基于线性判别分析等特征提取方法，通过改进的线性判别分析算法，来进行特征提取，能很好的解决小样本问题。　　其次，针对现有的基于线性判别分析算法中特征值存在方差和偏差等缺点，通过加权和平滑类间和类内离散度矩阵模型，以及对归一化参数进行了确定化，得到一种加权平滑的确定性判别分析算法（WSDLDA）。该算法不仅可以解决小样本引起的过拟合问题，还可以解决散度矩阵的奇异性问题。三个公共数据库被用于验证本文提出算法的优越性，通过仿真分析了其在不同训练样本数目和维度下的性能，并与多种相关方法进行对比，结果显示所提方法能够提升分类准确率。　　再次，深入研究几种比较常用的分类器，并结合其优缺点，重点研究了基于稀疏表示的分类识别方法。它不需要大量的训练样本数量，且更容易训练，能够更好的预防小样本数据的过拟合问题。针对稀疏分类的非监督性等缺点，本文充分利用测试样本的相关类和相关样本，提出一种加权逐类稀疏和局部敏感表示算法（WCSLR）。该算法不仅促进了在类别上的稀疏表示，而且能够增强所选训练类中局部敏感表示。　　最后，采用与前面特征提取相同的样本数据，仿真分析了分类器在不同训练样本数目和维度下的分类性能，分析比较了多种分类器的分类结果，验证了所提WCSLR算法具有更好的分类性能，并对所提方法进行了参数分析。　　基于以上研究，本文实现了特征提取和人脸图像分类算法，并在公共人脸库上验证了算法的优越性。

目录

1 绪 论

1.1 课题的研究背景及意义

1.2 国内外发展现状

1.2.1 特征提取研究现状

1.2.2 人脸图像分类研究现状

1.3.1 主要内容

1.3.2 章节安排

2 人脸图像处理技术介绍

2.1 引言

2.2 图像特征提取

2.2.1 主成分分析(PCA)

2.2.2 线性判别分析(LDA)

2.2.3 零空间LDA(NLDA)

2.2.4 谱回归LDA(SRDA)

2.3 分类器介绍

2.3.1 稀疏表示

2.3.2 线性回归分类

2.3.3 协同表示分类

2.3.4 类稀疏表示

2.4 本章小结

3 基于加权平滑的确定性LDA的人脸图像特征提取

3.1 引言

3.2 正则化的判别分析模型

3.3 加权平滑的确定性LDA

3.3.1 类间离散度矩阵模型优化

3.3.2 类内离散度矩阵模型优化

3.3.3 确定性的线性判别分析

3.4 实验及其分析

3.4.1CMU PIE人脸数据库

3.4.2 AR人脸数据库

3.4.3Extended Yale B人脸数据库

3.4.4 二维可视化分析

3.5 本章小结

4 基于加权逐类稀疏和局部敏感表示的人脸图像分类

4.1 引言

4.2 加权组稀疏表示

4.3 基于加权逐类稀疏和局部敏感表示的图像分类

4.3.1 模型提出

4.3.2 优化求解

4.4 实验结果与分析

4.4.1CMU PIE人脸数据库

4.4.2 AR人脸数据库

4.4.3 Extended Yale B人脸数据库

4.4.4 参数分析

4.5 本章小结

5 总结与展望

参考文献

附录

A. 作者在攻读学位取得的科研成果目录

B. 作者在攻读学位期间获奖情况

C. 学位论文数据集

致谢