基于組與協(xié)同思想的人臉識(shí)別算法研究.pdf

1、隨著現(xiàn)代科技的進(jìn)步，生物特征已經(jīng)被廣泛的應(yīng)用于各種模式分類(lèi)問(wèn)題中。而在這些生物特征中，人臉特征是被人們著重研究的對(duì)象。不論在工業(yè)領(lǐng)域還是學(xué)術(shù)領(lǐng)域，大量的研究員，學(xué)者都在致力于使得人臉識(shí)別更加可靠。
　　遺憾的是，準(zhǔn)確可靠的人識(shí)別算法以及產(chǎn)品仍然很少。眾所周知，由于各種因素，如光照、角度、姿態(tài)等變化無(wú)常。而且，人的面部特征隨著發(fā)型、表情、年齡的不同而變化。特定復(fù)雜情景以及人臉的多變性使得人臉識(shí)別具有極大的挑戰(zhàn)。
　　縱觀逝去的

2、幾十年，大量有重要學(xué)術(shù)價(jià)值以及一些有一定的工業(yè)價(jià)值的人臉識(shí)別算法被慢慢的被人們提出，如Turk等人提出的主成分分析(Principal Component Analysis，PCA)人臉識(shí)別算法、Fisher提出的Fisher線性判別分析(Fisher's Discriminant Analysis，F(xiàn)DA)人臉識(shí)別算法、Yang等人提出的二維主成分分析(Two-Dimensional Principal Component Analy

3、sis，2DPCA)人臉識(shí)別算法。在人臉識(shí)別的起步時(shí)期，這些人臉識(shí)別方法起到了至關(guān)重要的作用。而且，即使是現(xiàn)在，這些算法仍然具有重要的研究?jī)r(jià)值。
　　隨著計(jì)算機(jī)網(wǎng)絡(luò)的發(fā)展，人們發(fā)現(xiàn)當(dāng)時(shí)的算法很難滿足人們的需要，比如門(mén)禁系統(tǒng)人臉識(shí)別，公安系統(tǒng)人臉識(shí)別等一些比較簡(jiǎn)單人臉識(shí)別場(chǎng)景。
　　近年來(lái)，壓縮傳感(Compressed Sensing，CS)理論有了完備的理論發(fā)展與實(shí)踐應(yīng)用。圖片、視頻等視覺(jué)信號(hào)中稀疏特性被逐步挖掘出來(lái)，稀疏

4、方法用于人臉識(shí)別被廣泛的研究與應(yīng)用，并且在特定場(chǎng)景取得了不凡的成就，如稀疏主成分分析(Sparse Principal Component Analysis，SPCA)人臉識(shí)別算法、稀疏表征(Robust Face Recognition via Sparse Representation，SRC)人臉識(shí)別算法。
　　然而，隨著各種智能終端的發(fā)展，信息的生成、獲取更加的便捷且數(shù)量正在急劇的增加。在不知不覺(jué)中，人們已經(jīng)充斥在大數(shù)據(jù)中

5、。如何更加有效的利用這些數(shù)據(jù)亟待解決。尤其是應(yīng)用的人臉識(shí)別領(lǐng)域。正是基于這種樸素的想法。本文做了以下工作:
　　(1)從當(dāng)前時(shí)間點(diǎn)起，對(duì)人臉識(shí)別問(wèn)題的研究背景、研究意義給出了本人的總結(jié)。表明人臉識(shí)別問(wèn)題仍然是一個(gè)火熱且高速發(fā)展的領(lǐng)域。對(duì)國(guó)內(nèi)、國(guó)外的研究背景進(jìn)行了認(rèn)真的梳理，列舉了近年來(lái)的重大研究成果。最后，對(duì)于部分不同的人臉識(shí)別算法的優(yōu)缺點(diǎn)，從本文的角度進(jìn)行的總結(jié)。
　　(2)以壓縮傳感理論為基礎(chǔ)，稀疏表征理論為核心，結(jié)合運(yùn)

6、用組思想，本文提出了聯(lián)合稀疏表征(Joint Sparse Coding，JSC)算法。通過(guò)對(duì)組思想的應(yīng)用，利用多種維度的測(cè)試樣本作為人臉識(shí)別的對(duì)象，文中提出了一種用一組測(cè)試樣本學(xué)習(xí)一個(gè)公共的稀疏表征系數(shù)的模型。實(shí)驗(yàn)表明，本文提出的聯(lián)合稀疏表征在人臉識(shí)別的過(guò)程中具有更強(qiáng)的抗噪性。
　　(3)鑒于稀疏表征的耗時(shí)性，基于投影字典對(duì)(Projective Dictionary Pair Learning，DPL)算法，本文分別運(yùn)用組思想

7、和協(xié)同思想，提出了組投影字典對(duì)算法(Group and Projective Dictionary Pair Learning，GDPL)和協(xié)同投影字典對(duì)算法(Collaborative and Projective Dictionary Pair Learning,GDPL)。
　　(4)通過(guò)對(duì)投影字典對(duì)算法和協(xié)同投影字典對(duì)算法的總結(jié)。本文發(fā)現(xiàn)組思想與協(xié)同技術(shù)的同時(shí)應(yīng)用也有一定的研究與應(yīng)用價(jià)值。因此，本文提出了組與協(xié)同字典對(duì)算法

8、(Group and Collaborative Dictionary Pair Leaming,GCDPL)。
　　AR人臉數(shù)據(jù)庫(kù)、擴(kuò)展Yale B人臉數(shù)據(jù)庫(kù)這類(lèi)開(kāi)放的數(shù)據(jù)庫(kù)被廣泛用于人臉識(shí)別的仿真實(shí)驗(yàn)。本文也是基于這些獲得工業(yè)界和學(xué)術(shù)界廣泛認(rèn)可的公共數(shù)據(jù)庫(kù)進(jìn)行了詳細(xì)的實(shí)驗(yàn)，仿真結(jié)果證明了本文所提出的算法取得了較好的人臉識(shí)別效果。Isolet語(yǔ)音數(shù)據(jù)集則被廣泛的應(yīng)用于模式分類(lèi)問(wèn)題。本文所提出的算法不僅可以在人臉識(shí)別領(lǐng)域有一定的理