基于改進(jìn)低秩恢復(fù)稀疏表示的人臉識(shí)別方法的研究.pdf

1、傳統(tǒng)的人臉識(shí)別技術(shù)在一般情況下能夠簡(jiǎn)單、快速有效地進(jìn)行識(shí)別。但當(dāng)遇到的拍攝角度和距離的不定性、照明亮度的變化、面部姿態(tài)的多變性以及噪聲的隨機(jī)性等各種方面的影響時(shí)，識(shí)別性能迅速下降，從而制約了人臉識(shí)別領(lǐng)域的發(fā)展。
　　本文針對(duì)人臉識(shí)別領(lǐng)域廣泛使用的稀疏表示人臉識(shí)別算法(Sparse Representation based Classification,SRC)中的某些缺陷進(jìn)行改進(jìn)，旨在尋找魯棒性更好的識(shí)別方法。
　　SRC中

2、：
　　1）運(yùn)用單位陣作為誤差字典不能很好地表達(dá)待測(cè)圖像中的噪聲部分；
　　2）當(dāng)訓(xùn)練樣本較少時(shí)，SRC的字典不完備，使得稀疏表示受到影響，導(dǎo)致識(shí)別效果不理想；
　　3）SRC中求解凸優(yōu)化問題的復(fù)雜性非常高，不便于普及。針對(duì)SRC的這些缺點(diǎn)本文給出一種基于低秩恢復(fù)的非負(fù)稀疏表示人臉識(shí)別方法(Low Rank Recovery Non-negative Spare)。
　　該算法的思路是用低秩恢復(fù)(Low Rank

3、 Recovery,LRR)重建訓(xùn)練樣本組成的矩陣，得到一個(gè)低秩逼近陣和一個(gè)稀疏的噪聲陣（這里的噪聲陣更能表示誤差部分）并將它們組成字典，此時(shí)組成的字典比SRC中的更完備，然后對(duì)于稀疏表示添加非負(fù)限制來(lái)解決SRC中求解l1范數(shù)最優(yōu)化問題復(fù)雜度高的問題。在YaleB人臉庫(kù)上，設(shè)置不同數(shù)量的訓(xùn)練樣本，分別對(duì)SRC、ESRC和LRR_NSRC進(jìn)行測(cè)試，結(jié)果表明LRR_NSRC在訓(xùn)練樣本越少時(shí)，表現(xiàn)出的優(yōu)勢(shì)越大，識(shí)別率比SRC、ESRC高出越多

4、。
　　隨后針對(duì)LRR_NSRC對(duì)姿態(tài)變化敏感，而變換不變低秩紋理算法(Transform Invariant Low-rank Textures，TILT)能夠直接通過(guò)2D圖像進(jìn)行（仿射或投影）的域變換得到3D場(chǎng)景中某些不變結(jié)構(gòu)（即直接探索不變性轉(zhuǎn)換為從2D圖像恢復(fù)成3D圖像的反問題，從而恢復(fù)出待測(cè)圖像的低秩紋理和噪聲矩陣），給出一種運(yùn)用TILT代替LRR的TILT_NSRC算法，該算法首先對(duì)訓(xùn)練樣本進(jìn)行變換（仿射或投影），再恢