基于重構(gòu)表示的人臉圖像表示與分類.pdf

1、近年來人們對信息安全越發(fā)重視，生物特性因其較強(qiáng)的穩(wěn)定性和獨特性，成為身份識別的熱門研究領(lǐng)域。而人臉識別作為生物特征識別的一個重要分支，長期以來受到研究者們的廣泛關(guān)注。在過去幾十年的研究中，眾多經(jīng)典算法被提出，如主成分分析法，F(xiàn)isher鑒別分析法等。此外隨著壓縮感知理論快速發(fā)展，稀疏表示方法因其優(yōu)異的識別效果被廣泛應(yīng)用于模式識別領(lǐng)域。當(dāng)訓(xùn)練樣本圖像是理想時，稀疏表示算法在光照變化，遮擋噪聲等情況下能夠取得非常好的效果。然而在實際環(huán)境中，

2、樣本分布常常存在較大差異，同時圖像采集也會受到各種因素干擾（如光照，姿態(tài)，遮罩等），如何減小分布差異和干擾因素對算法的影響是目前研究的重點。因此本文就基于重構(gòu)表示的人臉圖像表示與分類進(jìn)行了深入研究。
　　1、基于非負(fù)稀疏低秩表示分類的人臉識別方法
　　本文提出一種基于非負(fù)稀疏低秩表示的分類方法(NSLRRC)用于魯棒人臉識別。NSLRRC目標(biāo)是根據(jù)所有訓(xùn)練樣本，找到一個稀疏且低秩的非負(fù)表示矩陣。稀疏約束使得表示向量具有鑒別能

3、力，低秩模型表現(xiàn)了數(shù)據(jù)的全局結(jié)構(gòu)，同時表示向量非負(fù)使得系數(shù)有意義并能更好體現(xiàn)數(shù)據(jù)點間的獨立性。然后基于得到的表示系數(shù)，對測試樣本進(jìn)行重構(gòu)并計算重構(gòu)誤差，最后根據(jù)重構(gòu)誤差完成測試樣本的分類。在ORL人臉庫，AR人臉庫，Extended YaleB人臉庫上的實驗結(jié)果表明，基于NSLRRC的人臉識別方法具有較好的魯棒性和有效性。
　　2、基于字典學(xué)習(xí)的魯棒人臉識別算法
　　人臉圖片常常受到噪聲和遮罩的影響?；谙∈璞硎镜姆诸惼鞅蛔C

4、實對此類情況十分有效。但考慮到實際情況中，同類樣本間出現(xiàn)明顯差異時，稀疏表示方法效果顯著下降。針對上述情況，我們提出一種新的方法，通過不斷地迭代學(xué)習(xí)得到包含所有樣本有效信息的新字典，利用新字典計算測試樣本所屬類別。我們在GT人臉庫，AR人臉庫，CMU PIE人臉庫上驗證了該方法的有效性和魯棒性。實驗結(jié)果表明針對同類樣本存在明顯差異的情況，該方法能夠有效提高算法的識別率。
　　3、基于分段表示的人臉識別算法
　　在人臉識別研究

5、中，傳統(tǒng)的基于表示分類方法并沒有給出針對樣本噪聲或遮擋情況的處理機(jī)制。稀疏表示要求同類樣本處于同一線性子空間下，考慮到同類樣本間的分布差異，本文提出一種分段表示的分類方法。該方法將訓(xùn)練樣本平均分為兩組，要求每組間樣本分布相似，并根據(jù)測試樣本與訓(xùn)練樣本集間的“距離”分類。這樣盡可能減少樣本差異帶來的影響，有效地考慮了訓(xùn)練樣本所包含的全部信息。在AR人臉庫和CMU PIE人臉庫中的實驗驗證了該算法的有效性和實用性。
　　4、基于樣本相

6、關(guān)性約束的線性回歸分類
　　現(xiàn)實世界中，每個人的人臉特征獨一無二，然而也存在某些相似臉。線性回歸分類方法中僅利用每類樣本分別線性表示測試樣本，未考慮重構(gòu)樣本間的相似度。通常我們希望測試樣本所在類重構(gòu)樣本與其他類重構(gòu)樣本相似度越小越好。于是本文提出一種改進(jìn)的線性回歸分類模型用于人臉識別。該方法在線性回歸分類的基礎(chǔ)上，添加對重構(gòu)樣本相關(guān)性的約束，然后計算得新的表示系數(shù)，利用所得表示系數(shù)計算殘差并分類。在AR庫，GT庫，CMU PIE庫