基于局部特征與聚類分析的人臉識(shí)別研究.pdf

1、人臉圖像由于在采集過(guò)程中會(huì)出現(xiàn)光照、姿勢(shì)以及表情變化等影響,不可避免的會(huì)增加人臉識(shí)別的難度。人臉識(shí)別是指對(duì)輸入的人臉圖像進(jìn)行正確的識(shí)別,判斷輸入圖像屬于人臉數(shù)據(jù)庫(kù)中的哪類圖像。由于人臉識(shí)別具有安全、可靠以及便捷性等特點(diǎn),它在生產(chǎn)實(shí)踐中的應(yīng)用十分廣泛。在對(duì)人臉圖像進(jìn)行稀疏表示時(shí),良好的字典有助于提高后續(xù)的識(shí)別率。因此本文致力于訓(xùn)練有較好表示能力的字典。
　　本文具體研究的工作內(nèi)容為:
　　1、介紹了全局特征提取算法特征臉法的求

2、解過(guò)程,壓縮感知理論的原理與過(guò)程,重構(gòu)算法的種類,并具體介紹了兩種稀疏求解方法——正交匹配算法(OMP)與梯度投影法(GP)。
　　2、介紹了兩種局部特征提取算法,方向梯度直方圖(HOG)和局部二值模式(LBP),將兩種局部特征提取算法進(jìn)行有機(jī)地結(jié)合,來(lái)表示人臉圖像,根據(jù)本文所設(shè)定的加權(quán)比例進(jìn)行實(shí)驗(yàn),提高了最終圖像的識(shí)別率。
　　3、首先介紹了稀疏表示用于人臉識(shí)別的原理,比較了L1范數(shù)與L2范數(shù)約束下不同的求解方法,并介紹了

3、基于協(xié)同表示的歸一化最小二次方識(shí)別方法(CRC_RLS)。其次基于稀疏表示分類模型,對(duì)字典構(gòu)造方法進(jìn)行探索,采用局部特征構(gòu)造字典對(duì)人臉圖像進(jìn)行線性表示,并使用多任務(wù)聯(lián)合方法,將HOG和LBP兩種局部特征的重構(gòu)誤差進(jìn)行加權(quán),提高了識(shí)別率;最后比較了ALM算法、CRC_RLS算法以及L1-norm算法對(duì)人臉識(shí)別性能的影響。
　　4、介紹了神經(jīng)網(wǎng)絡(luò)的基本原理,針對(duì)大部分神經(jīng)網(wǎng)絡(luò)對(duì)人臉識(shí)別的識(shí)別率不高的情況,提出了將K均值算法軟編碼方案運(yùn)