基于壓縮感知人臉識別技術的研究.pdf

1、隨著網絡與信息技術的高速發(fā)展，特別是大數據和移動互聯的出現，模式識別技術在生物識別、人機互交、智能交通、無人機制導、智能安防等領域取得了顯著的成效。在互聯網加的大背景下，視頻監(jiān)控和識別系統(tǒng)往往會受到網絡傳輸帶寬以及數據存儲容量的制約。近年來興起的壓縮感知，為解決該問題提供了一條有效的途徑，并得到國際上越來越廣泛的關注。本文主要以人臉識別問題為背景，重點研究基于壓縮感知的分類器設計、特征提取、數據壓縮以及預處理等方面對識別性能的影響。本文

2、的主要工作和成果如下:
　　1.魯棒分類算法研究
　　借鑒稀疏性分析模型和支持向量機的思想，提出并設計了一種基于子空間分析的分類器。它設計了多個分類器組，其基本思想是:把匹配的測試樣本投影到零點附近，不匹配的測試樣本投影到離零點盡可能遠處，然后進行分類判別。在ORL人臉數據集上的開閉集實驗驗證了算法的有效性。提出了一種基于加權表示的線性回歸分類器，針對表示誤差進行加權，該方法對人臉遮掩和光照變化有很強的魯棒性，其識別率有明顯

3、提升，并且算法復雜度低，可以應用于實時人臉識別系統(tǒng)。
　　2.基于先驗信息的魯棒壓縮感知矩陣設計
　　基于信號先驗信息，提出了一種新的魯棒壓縮感知設計框架。通過最小化稀疏表示誤差和最佳線性恢復誤差，優(yōu)化投影矩陣。基于合成和實際圖像實驗結果顯示，新型魯棒投影矩陣壓縮感知系統(tǒng)在圖像數據壓縮與重建方面性能良好，優(yōu)于傳統(tǒng)壓縮感知系統(tǒng)。
　　3.基于顯著特征的字典學習分類器設計
　　針對字典學習分類算法數據計算量大，而傳統(tǒng)

4、稀疏表示分類器信息冗余，對人臉對齊敏感的問題，提出了一種基于顯著特征的字典學習分類器的框架。它利用人臉輪廓作為顯著特征中心，提取原圖像中特征塊，并利用人臉對稱性特點來擴展訓練樣本特征集。由于采用顯著特征區(qū)域塊進行字典學習，降低了稀疏表示分類器對數據對齊敏感性，減少了算法運算時間，系統(tǒng)識別性能也有顯著提升。
　　4.基于投影矩陣優(yōu)化的壓縮感知分類器
　　針對圖像識別中海量數據存儲與傳輸問題，提出了一種投影矩陣的優(yōu)化算法，并將該

5、算法應用到人臉識別系統(tǒng)中。以樣本的互相關性為基礎，優(yōu)化投影矩陣，使得同類樣本的互相關性增強,不同類樣本互相關性降低。在ORL、Yale_Extend、PIE以及AR數據集上實驗顯示，基于投影矩陣優(yōu)化的表示分類器可以顯著提升識別性能。
　　5.基于ADLBP特征的魯棒局部非負稀疏表示人臉識別方法
　　針對復雜環(huán)境下人臉圖像難以對齊的問題，提出了一種基于ADLBP特征的魯棒局部非負稀疏表示人臉識別的系統(tǒng)架構。在LFW數據集實驗結