基于低秩表示的人臉識別方法研究.pdf

1、人臉識別(FR)是計(jì)算機(jī)視覺、機(jī)器學(xué)習(xí)和模式識別的基本問題之一。經(jīng)過多年的研究，魯棒人臉識別成為最熱門的研究課題之一，圖像的遮擋、偏移以及各種變化（例如，姿態(tài)，表情和光照）仍然是一個(gè)非常具有挑戰(zhàn)性的問題。近年來，低秩表示(LRR)已被研究并成功地用于單個(gè)子空間到多個(gè)子空間中被噪聲污染數(shù)據(jù)的恢復(fù)。LRR的目的是尋找數(shù)據(jù)向量的低秩表示并自動糾正數(shù)據(jù)的噪聲。LRR的成功極大地促進(jìn)了分類和聯(lián)合字典學(xué)習(xí)中低秩表示的研究。
　　本文針對LRR

2、在人臉識別應(yīng)用中的問題，設(shè)計(jì)了新的FR算法，用于處理帶有噪聲的數(shù)據(jù)和訓(xùn)練字典來提高分類效果。研究表明，樣本的的低秩表示對算法的成功起著決定性的作用。首先提出了一種新的應(yīng)用于人臉識別的圖像分類方法，稱為低秩表示分類(LRRC)。相對于訓(xùn)練樣本，尋找一組測試樣本的低秩表示，該算法分類效果很好。實(shí)驗(yàn)結(jié)果也表明，編碼系數(shù)的核范數(shù)正則化和LRRC中殘差編碼可以達(dá)到甚至超I1正則化性能。
　　本文利用人臉圖像的非線性信息，討論采用核方法提高L

3、RR的性能。提出了核低秩表示分類(KLRRC)方法，這是LRRC的一個(gè)非線性擴(kuò)展，并首次將其應(yīng)用于人臉識別。利用核技巧，通過引入核函數(shù)將輸入數(shù)據(jù)映射到核特征空間。我們構(gòu)建了一個(gè)變換矩陣來降低核特征空間的維數(shù)，并且在核特征空間中執(zhí)行LRRC。在幾個(gè)不同的人臉數(shù)據(jù)集中，實(shí)驗(yàn)結(jié)果表明了本文方法的有效性和魯棒性。
　　本文的第三大貢獻(xiàn)是使用換位判別低秩表示(T_ DLRR)的方法來識別加入噪聲的訓(xùn)練和測試人臉圖像。首先，我們采用帶有判別正

4、則化項(xiàng)的LRR去除原始訓(xùn)練數(shù)據(jù)噪聲，使得低秩矩陣恢復(fù)對分類任務(wù)更具有判別能力。其次，采用T_DLRR提取數(shù)據(jù)的顯著性特征。此外，我們還學(xué)習(xí)了恢復(fù)結(jié)果和原始訓(xùn)練樣本之間的低秩投影，校正加入噪聲的測試樣本。最后，對每一個(gè)類別學(xué)習(xí)一個(gè)子空間，將所有的測試樣本投影到所有的子空間中，最小的子空間投影誤差對應(yīng)的類作為該測試樣本的類別。實(shí)驗(yàn)中，我們在四個(gè)人臉數(shù)據(jù)庫上，驗(yàn)證了提出方法的有效性和魯棒性。
　　最后，我們討論學(xué)習(xí)低秩表示詞典的問題，提

5、出一種新的判別性低秩字典學(xué)習(xí)(DLR_DL)的人臉識別算法。基于LRR，我們引入一個(gè)帶有訓(xùn)練數(shù)據(jù)標(biāo)簽信息的理想正則項(xiàng)，以獲得低秩系數(shù)。在字典學(xué)習(xí)過程中，通過優(yōu)化類間和類內(nèi)子字典的重構(gòu)誤差，使得學(xué)習(xí)到的字典對訓(xùn)練樣本有更好的表示能力。此外，我們還強(qiáng)制每個(gè)子字典低秩，從而降低訓(xùn)練樣本的噪聲并使學(xué)習(xí)到的字典更加緊致。最后，使用學(xué)習(xí)到的字典和結(jié)構(gòu)化低秩表示來實(shí)現(xiàn)分類。在同等學(xué)習(xí)條件下，相比于已有的字典學(xué)習(xí)方法，本文提出的判別低秩詞典學(xué)習(xí)(DLR