基于稀疏理論的單樣本人臉識(shí)別研究.pdf

1、單樣本人臉識(shí)別問題已發(fā)展成為模式識(shí)別、人工智能和機(jī)器學(xué)習(xí)領(lǐng)域中的一個(gè)熱點(diǎn)和難點(diǎn)研究課題。目前大多數(shù)人臉識(shí)別技術(shù)的研究僅集中在怎樣提高人臉識(shí)別系統(tǒng)的準(zhǔn)確率上,并且嚴(yán)重依賴訓(xùn)練樣本集的規(guī)模和代表性,忽略了由于采集樣本的困難或者系統(tǒng)的存儲(chǔ)容量有限等所造成的單樣本問題。稀疏表征(SparseRepresentation,SR)源于對傳統(tǒng)信號采樣和表示理論的擴(kuò)展,例如Fourier和Wavelet表示。在過去幾年里,SR已被證明在獲取、表征和壓縮

2、高維信號方面是一個(gè)非常強(qiáng)大的工具,并已成功用于解決信號處理、機(jī)器學(xué)習(xí)和模式識(shí)別領(lǐng)域中的諸多實(shí)際問題。近來,由D.Donoho、E.Candes及T.Tao等人提出的壓縮感知(Compressive Sensing,或稱Compressed Sensing、Compressed Sampling,CS)理論進(jìn)一步將稀疏表征思想提升到了一個(gè)新的高度。
　　 本文主要是研究基于稀疏理論的單樣本人臉識(shí)別問題,目標(biāo)是得到有效的改進(jìn)算法以提

3、高單樣本情況下的識(shí)別性能。本文的主要研究工作如下:
　　 (1)對目前人臉識(shí)別問題、稀疏理論、單樣本人臉識(shí)別問題的研究背景、意義、國內(nèi)外現(xiàn)狀及目前面臨的挑戰(zhàn)等作了綜述性分析:
　　 (2)利用Shift、PCA重構(gòu)、鏡像對稱變換、下采樣等方法結(jié)合稀疏表征分類器(Sparse Representation-based Classification,SRC)方法,改善單樣本人臉識(shí)別:增加了冗余樣本,有效地提高了識(shí)別率,節(jié)省了

4、計(jì)算與存儲(chǔ)開銷,增強(qiáng)了算法的實(shí)用性能；
　　 (3)基于稀疏表征理論SR、壓縮感知理論CS以及半監(jiān)督降維技術(shù)(Semi-supervised Dimensionality Reduction,SSDR),提出了一個(gè)新的基于半監(jiān)督的算法——半監(jiān)督的稀疏判別保局投影(Semi-supervised Sparsity DiseriminantLocality Preserving Projections,SSDLPP)。SSDLPP算