基于組與協(xié)同思想的人臉識別算法研究.pdf

1、隨著現(xiàn)代科技的進步，生物特征已經(jīng)被廣泛的應用于各種模式分類問題中。而在這些生物特征中，人臉特征是被人們著重研究的對象。不論在工業(yè)領域還是學術領域，大量的研究員，學者都在致力于使得人臉識別更加可靠。
　　遺憾的是，準確可靠的人識別算法以及產(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。特定復雜情景以及人臉的多變性使得人臉識別具有極大的挑戰(zhàn)。
　　縱觀逝去的

2、幾十年，大量有重要學術價值以及一些有一定的工業(yè)價值的人臉識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)人臉識別算法、Fisher提出的Fisher線性判別分析(Fisher's Discriminant Analysis，F(xiàn)DA)人臉識別算法、Yang等人提出的二維主成分分析(Two-Dimensional Principal Component Analy

3、sis，2DPCA)人臉識別算法。在人臉識別的起步時期，這些人臉識別方法起到了至關重要的作用。而且，即使是現(xiàn)在，這些算法仍然具有重要的研究價值。
　　隨著計算機網(wǎng)絡的發(fā)展，人們發(fā)現(xiàn)當時的算法很難滿足人們的需要，比如門禁系統(tǒng)人臉識別，公安系統(tǒng)人臉識別等一些比較簡單人臉識別場景。
　　近年來，壓縮傳感(Compressed Sensing，CS)理論有了完備的理論發(fā)展與實踐應用。圖片、視頻等視覺信號中稀疏特性被逐步挖掘出來，稀疏

4、方法用于人臉識別被廣泛的研究與應用，并且在特定場景取得了不凡的成就，如稀疏主成分分析(Sparse Principal Component Analysis，SPCA)人臉識別算法、稀疏表征(Robust Face Recognition via Sparse Representation，SRC)人臉識別算法。
　　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。尤其是應用的人臉識別領域。正是基于這種樸素的想法。本文做了以下工作:
　　(1)從當前時間點起，對人臉識別問題的研究背景、研究意義給出了本人的總結。表明人臉識別問題仍然是一個火熱且高速發(fā)展的領域。對國內(nèi)、國外的研究背景進行了認真的梳理，列舉了近年來的重大研究成果。最后，對于部分不同的人臉識別算法的優(yōu)缺點，從本文的角度進行的總結。
　　(2)以壓縮傳感理論為基礎，稀疏表征理論為核心，結合運

6、用組思想，本文提出了聯(lián)合稀疏表征(Joint Sparse Coding，JSC)算法。通過對組思想的應用，利用多種維度的測試樣本作為人臉識別的對象，文中提出了一種用一組測試樣本學習一個公共的稀疏表征系數(shù)的模型。實驗表明，本文提出的聯(lián)合稀疏表征在人臉識別的過程中具有更強的抗噪性。
　　(3)鑒于稀疏表征的耗時性，基于投影字典對(Projective Dictionary Pair Learning，DPL)算法，本文分別運用組思想

7、和協(xié)同思想，提出了組投影字典對算法(Group and Projective Dictionary Pair Learning，GDPL)和協(xié)同投影字典對算法(Collaborative and Projective Dictionary Pair Learning,GDPL)。
　　(4)通過對投影字典對算法和協(xié)同投影字典對算法的總結。本文發(fā)現(xiàn)組思想與協(xié)同技術的同時應用也有一定的研究與應用價值。因此，本文提出了組與協(xié)同字典對算法

8、(Group and Collaborative Dictionary Pair Leaming,GCDPL)。
　　AR人臉數(shù)據(jù)庫、擴展Yale B人臉數(shù)據(jù)庫這類開放的數(shù)據(jù)庫被廣泛用于人臉識別的仿真實驗。本文也是基于這些獲得工業(yè)界和學術界廣泛認可的公共數(shù)據(jù)庫進行了詳細的實驗，仿真結果證明了本文所提出的算法取得了較好的人臉識別效果。Isolet語音數(shù)據(jù)集則被廣泛的應用于模式分類問題。本文所提出的算法不僅可以在人臉識別領域有一定的理