基于壓縮感知的人臉識(shí)別方法研究.pdf

1、壓縮感知理論是近年來(lái)信號(hào)處理領(lǐng)域的國(guó)際熱點(diǎn)問(wèn)題之一，它的研究已滲透到數(shù)學(xué)和諸多工程科學(xué)領(lǐng)域。其中，基于稀疏表示的人臉識(shí)別是壓縮感知理論應(yīng)用的一個(gè)備受關(guān)注的課題，其核心技術(shù)是假設(shè)測(cè)試圖像能夠被所有訓(xùn)練圖像稀疏地線性表示，通過(guò)凸優(yōu)化技術(shù)求解其稀疏表示系數(shù)，最后根據(jù)重構(gòu)殘差完成人臉圖像的準(zhǔn)確分類(lèi)。它能夠有效地改善人臉識(shí)別算法的魯棒性，為人臉識(shí)別問(wèn)題的研究提供了嶄新的研究視角。本課題從基于稀疏表示的人臉識(shí)別入手，針對(duì)如何改善現(xiàn)有算法的魯棒性和有

2、效性問(wèn)題進(jìn)行了深入的探討，以期望提出的算法在實(shí)際問(wèn)題中有所應(yīng)用。本文的研究工作主要概括如下：
　　1.提出了基于二維圖像特征矩陣的稀疏表示人臉識(shí)別算法。從二維人臉圖像上進(jìn)行二維特征提取，然后直接求解在二維特征矩陣下的稀疏表示系數(shù)，最后估計(jì)最小重構(gòu)殘差完成人臉圖像的識(shí)別，整個(gè)過(guò)程都不需要將二維矩陣轉(zhuǎn)換為列向量。與現(xiàn)有的人臉識(shí)別算法相比，提出的算法既保留了原有二維矩陣中元素間的局部關(guān)聯(lián)信息，又大大降低了求解1-范數(shù)最小化問(wèn)題的計(jì)算復(fù)雜

3、度。針對(duì)人臉圖像被連續(xù)區(qū)域遮擋的問(wèn)題進(jìn)行進(jìn)一步探討，采取分塊處理策略，并構(gòu)造了有效塊判別函數(shù)，最終融合有效塊上的分類(lèi)結(jié)果完成人臉識(shí)別。實(shí)驗(yàn)結(jié)果展示，提出的算法在識(shí)別準(zhǔn)確率和計(jì)算效率方面比一維特征的稀疏表示方法都有明顯的改善。
　　2.針對(duì)訓(xùn)練圖像和測(cè)試圖像同時(shí)被噪聲干擾的人臉識(shí)別問(wèn)題，提出了基于兩階段稀疏表示的人臉識(shí)別算法。首先，訓(xùn)練圖像中的干擾噪聲通過(guò)低秩矩陣恢復(fù)模型被有效地移除。然后，充分利用從訓(xùn)練圖像中移除的干擾噪聲去擴(kuò)充訓(xùn)

4、練圖像矩陣，提出了擴(kuò)展的1-范數(shù)最小化問(wèn)題，利用求解這個(gè)最優(yōu)化問(wèn)題得到的第一階段稀疏表示系數(shù)來(lái)有效地移除測(cè)試圖像中的噪聲。最后，在去噪后的人臉圖像上再進(jìn)行特征提取，通過(guò)在特征空間求解的第二階段稀疏表示系數(shù)完成分類(lèi)。對(duì)噪聲敏感的特征提取技術(shù)因?yàn)楸粓?zhí)行在去噪后的圖像上而可以發(fā)揮其應(yīng)有的性能。一方面，提出的算法對(duì)特征維數(shù)魯棒，即利用更低維的特征維數(shù)可以達(dá)到與高維特征相近的識(shí)別準(zhǔn)確率；另一方面，提出的算法對(duì)噪聲干擾強(qiáng)度魯棒，即提出的算法性能不會(huì)

5、隨著噪聲干擾強(qiáng)度的增強(qiáng)而出現(xiàn)明顯的波動(dòng)。
　　3.針對(duì)現(xiàn)有圖像集人臉識(shí)別算法魯棒性差的問(wèn)題，提出了基于擴(kuò)展低秩恢復(fù)和聯(lián)合表示的圖像集人臉識(shí)別算法，該算法能夠有效地改善測(cè)試人臉圖像集被噪聲嚴(yán)重干擾的情況。首先，構(gòu)造一個(gè)擴(kuò)展的低秩矩陣恢復(fù)模型，它可以有效地移除測(cè)試人臉圖像集中的干擾噪聲，重建秩為1的測(cè)試人臉圖像集。其次，對(duì)于大型的訓(xùn)練人臉圖像集學(xué)習(xí)一個(gè)壓縮的非相干字典，在提高運(yùn)算效率的同時(shí)也能夠增強(qiáng)分類(lèi)能力。最后，從重建的秩1測(cè)試集中