基于特征融合的低秩恢復(fù)稀疏表示人臉識(shí)別.pdf

1、近些年來(lái)，人臉識(shí)別因其廣闊的應(yīng)用前景成為計(jì)算機(jī)視覺(jué)和模式識(shí)別領(lǐng)域的重要研究方向之一，隨著壓縮感知編碼理論的提出，基于稀疏編碼模型（SRC）的人臉識(shí)別技術(shù)引起眾多研究者的廣泛關(guān)注。在SRC中，測(cè)試圖像被編碼為訓(xùn)練樣本的稀疏線性組合，再通過(guò)求解l1范數(shù)最優(yōu)化問(wèn)題得出其最稀疏解，該方法在實(shí)際應(yīng)用中取得了良好的效果。但是SRC中將單位陣作為誤差字典，對(duì)樣本中誤差和噪聲的描述并不準(zhǔn)確，因此本文引入低秩恢復(fù)算法來(lái)分離樣本誤差矩陣，將樣本圖像分解為干

2、凈的低秩矩陣和稀疏的誤差矩陣，使得用于分類識(shí)別的圖像信息更加有效。
　　針對(duì)人臉面部圖像在受到表情、姿態(tài)、光照以及噪聲污染等多種因素影響的時(shí)候，僅采用單一特征進(jìn)行人臉識(shí)別，誤識(shí)率較高的問(wèn)題，本文提出一種基于特征融合的低秩恢復(fù)稀疏表示的人臉識(shí)別方法。首先采用低秩恢復(fù)算法得到訓(xùn)練樣本和測(cè)試樣本的干凈人臉圖像，對(duì)這些干凈的人臉圖像進(jìn)行 LBP、HOG、Gabor三種特征向量的提??；訓(xùn)練階段，隨機(jī)選擇部分訓(xùn)練樣本進(jìn)行SRC分類測(cè)試，根據(jù)S

3、RC的識(shí)別結(jié)果與分類殘差定義一個(gè)損失函數(shù)，再利用最小二乘方法計(jì)算出能夠使損失函數(shù)最小的權(quán)重向量；識(shí)別階段，根據(jù)訓(xùn)練階段計(jì)算出來(lái)的權(quán)重向量重新計(jì)算測(cè)試樣本的最終殘差，得出其最終的識(shí)別結(jié)果。在不同的人臉庫(kù)上進(jìn)行廣泛的實(shí)驗(yàn)來(lái)評(píng)估所提方法的性能，結(jié)果表明，本文方法優(yōu)于僅利用單一特征識(shí)別的方法，并且對(duì)光照，噪聲，遮擋等是魯棒的。
　　本文的研究工作主要包括以下幾個(gè)方面：
　　(1)總結(jié)了人臉識(shí)別的背景和研究現(xiàn)狀，介紹了人臉識(shí)別方法的分

4、類，總結(jié)了人臉識(shí)別中的關(guān)鍵問(wèn)題；闡述了圖像預(yù)處理、特征提取及降維方法的有關(guān)理論問(wèn)題。
　　(2)概述了基于稀疏表示的人臉識(shí)別方法。首先，分析了稀疏表示的有關(guān)理論問(wèn)題；其次論述了基于稀疏表示的人臉識(shí)別算法過(guò)程；最后對(duì)不同特征維數(shù)的樣本進(jìn)行了對(duì)比試驗(yàn)。
　　(3)針對(duì)稀疏表示模型中利用單位陣作為誤差字典不能很好地描述圖像的噪聲和誤差的問(wèn)題，采用低秩恢復(fù)算法對(duì)樣本進(jìn)行處理，既可以有效地分離出外界環(huán)境因素給樣本帶來(lái)的誤差等影響，又可