基于線性表示的魯棒人臉識(shí)別研究.pdf

1、作為一種典型的生物特征識(shí)別，人臉識(shí)別多年來一直是模式識(shí)別領(lǐng)域的熱門研究課題?；诰€性表示的識(shí)別算法是當(dāng)前人臉識(shí)別研究的一個(gè)熱點(diǎn)。這類算法假設(shè)一幅人臉圖像存在于同類別樣本展開的線性子空間內(nèi)，即它可由同類人臉圖像線性表示。線性表示系數(shù)通常由一個(gè)回歸問題求解，進(jìn)而通過回歸殘差來判斷測(cè)試圖像的類別。這類方法雖然簡(jiǎn)單，但在很多情況下僅利用原始像素特征即可取得很好的識(shí)別效果。然而，人臉圖像中常常存在的噪聲、遮擋及污染等問題往往使得這一線性子空間假設(shè)

2、失效。圖像中存在的噪聲點(diǎn)（孤立點(diǎn)）嚴(yán)重的影響了表示系數(shù)的估計(jì)，使得識(shí)別率下降。針對(duì)此問題，本文研究了基于線性表示的魯棒人臉識(shí)別算法。首先，本文研究了兩種快速的魯棒回歸算法用于檢測(cè)出圖像中存在的噪聲點(diǎn)，在去除噪聲的基礎(chǔ)上求得準(zhǔn)確的表示系數(shù)，以此做出更加準(zhǔn)確的識(shí)別。其次，本文研究了一種基于局部性限制的線性表示模型及識(shí)別算法，并利用金字塔結(jié)構(gòu)的子圖像有效地去除或降低了人臉圖像中遮擋部分對(duì)識(shí)別造成的影響。這三種人臉識(shí)別算法都是基于線性子空間的理

3、論假設(shè)，并以表示殘差作為分類準(zhǔn)則，它們的共同目的都是在去除噪聲的影響下取得準(zhǔn)確的表示系數(shù)。
　　本文的具體研究成果及創(chuàng)新如下:
　　(1)本文提出了一種快速的近似最小截平方和回歸算法(Approximate LeastTrimmed Sum of Squares，ALTS)。ALTS將原來NP難的LTS回歸問題轉(zhuǎn)化為一個(gè)可以高效求解的SOCP問題，大大降低了計(jì)算復(fù)雜度。同時(shí)，ALTS可以有效檢測(cè)出人臉圖像中存在的噪聲點(diǎn)，提高

4、了以線性表示為基礎(chǔ)的人臉識(shí)別算法的魯棒性。
　　(2)本文首先用理論證明L∞-Minimization方法（最小化最大殘差）可以有效地檢測(cè)圖像中的噪聲點(diǎn)（孤立點(diǎn)），接著提出了一種快速的L∞-Minimization的優(yōu)化算法，使用列產(chǎn)生算法(Column Generation)將原問題等價(jià)的轉(zhuǎn)化為多個(gè)小的子問題，進(jìn)而可以快速求解。和ALTS一樣，本算法可以有效地處理人臉圖像中存在的噪聲污染及遮擋等問題，在多個(gè)人臉數(shù)據(jù)庫上驗(yàn)證了它的

5、魯棒性。
　　(3)本文研究了樣本間的局部性(localitv)對(duì)人臉識(shí)別的重要性，提出了一種基于局部性限制的線性表示模型及分類算法。局部性的限制使得基于線性子空間的假設(shè)更加合理。本文給出了這一模型的貝葉斯解釋，并由此探討了局部性和稀疏表示(sparse representation)的關(guān)系。本文展示了局部性可以導(dǎo)致近似的稀疏性，且相較于稀疏表示模型，局部性限制模型更有利于分類。與稀疏表示算法中的L1-Minimization問題