基于稀疏性的人臉檢測與識別方法研究.pdf

1、人臉是一個信息豐富的模式集合，是人類互相判別、認識、記憶的主要標志。人臉檢測與識別在計算機視覺、模式識別、多媒體技術研究中占有重要的地位，因此人臉檢測與識別技術是模式識別與機器視覺領域最有挑戰(zhàn)性的研究課題之一。本文的工作涉及到了人臉的檢測與識別，主要的工作內容如下：
　　 稀疏表示分類算法利用壓縮感知的基本原理，通過求解由全部訓練樣本對測試樣本最佳線性表出的稀疏向量來進行分類。在實驗中發(fā)現(xiàn)，對于同方向分布的不同類的樣本，稀疏表示

2、分類算法在對樣本單位化后無法正確分類。為了解決這個問題，本文將Mercer核引入到稀疏表示分類算法中，提出了核稀疏表示分類算法。由于高斯核函數(shù)可以作為樣本間的相似性度量，這樣就很好的解決了原算法出現(xiàn)的問題。在人工數(shù)據(jù)、UCI數(shù)據(jù)和人臉數(shù)據(jù)庫上的仿真實驗均驗證了此改進算法的有效性。
　　 基于核稀疏表示的分類算法與稀疏表示分類算法中所應用的隨機降維映射在實際的應用中是一種對維數(shù)約減非常有效的方法。但是對不同的隨機映射降維矩陣，核稀

3、疏表示分類算法會得到不同的識別結果，因而不能夠保證分類算法的穩(wěn)定性。如果想提高算法的性能，對不穩(wěn)定的分類器而言，集成是一種很好的選擇。因此本文提出了基于核稀疏表示分類算法的多分類器集成方法，可采用的多種決策級融合方法包括：最大(Max)、最小(Min)、求和(Sum)、均值(Mean)和多數(shù)投票(Majority Vote)。實驗驗證了該集成方法的有效性，而且實驗表明了求和與均值這兩種策略是較好的集成規(guī)則。
　　 標準支持向量機

4、(SVM)已經用于人臉檢測，但是由于支持向量個數(shù)較多，導致檢測速度不高。1-norm SVM采用1-norm正則項替代了標準SVM中的2-norm正則項，而1-norm正則項能夠誘導稀疏性。已經證明了1-norm SVM的解比標準SVM的解更具有稀疏性，因此本文把1-norm SVM應用到人臉檢測中，期望能提高檢測速度。在構建1-norm SVM人臉檢測系統(tǒng)的時候，采用的是經典的人臉檢測系統(tǒng)，并在最后加入了去除重疊標識人臉的步驟。最后通