發(fā)布時(shí)間：2018-08-07 07:11

【摘要】：人臉識(shí)別是機(jī)器視覺(jué)和模式識(shí)別領(lǐng)域最富有挑戰(zhàn)性的課題之一,同時(shí)也具有較為廣泛的應(yīng)用意義,在電子商務(wù)、公安系統(tǒng)、檔案管理、人機(jī)交互等各個(gè)領(lǐng)域中都有很高的應(yīng)用與商業(yè)價(jià)值。但目前的人臉識(shí)別系統(tǒng)在實(shí)際應(yīng)用中仍然存在不少的缺陷:如在光照、環(huán)境、姿態(tài)的影響下,識(shí)別率還不盡如人意。因此,本論文研究了一種結(jié)合機(jī)器學(xué)習(xí)與稀疏表示的人臉識(shí)別系統(tǒng),使其能夠在噪聲環(huán)境下有較好的識(shí)別率。論文的主要研究?jī)?nèi)容與成果如下:(1)首先針對(duì)人臉識(shí)別在噪聲環(huán)境下表現(xiàn)不夠良好的問(wèn)題,提出了基于稀疏表示的分類器算法來(lái)進(jìn)行識(shí)別,從而提高了在人臉有遮擋或者光照條件不佳下的識(shí)別率。(2)由于傳統(tǒng)人臉特征提取方式的欠缺,導(dǎo)致提取到的特征過(guò)于簡(jiǎn)單與初級(jí)。針對(duì)此問(wèn)題,提出了基于深度學(xué)習(xí)理論的級(jí)聯(lián)卷積自編碼器來(lái)提取特征。級(jí)聯(lián)的卷積自編碼器由于其能夠進(jìn)行自我學(xué)習(xí),減少特征提取的誤差,并且通過(guò)多層級(jí)聯(lián)可以提取更為深層和抽象的特征,進(jìn)一步提高了系統(tǒng)的識(shí)別率。(3)結(jié)合了兩種方式:基于稀疏表示的分類器算法以及基于深度學(xué)習(xí)理論的級(jí)聯(lián)卷積自編碼器,設(shè)計(jì)并實(shí)現(xiàn)了人臉識(shí)別系統(tǒng)。此系統(tǒng)在噪聲環(huán)境下具有良好的表現(xiàn),并且識(shí)別速度快,準(zhǔn)確率高。
[Abstract]:Face recognition is one of the most challenging topics in the field of machine vision and pattern recognition. Human-computer interaction and other fields have high application and commercial value. However, the current face recognition system still has many defects in practical application: for example, under the influence of illumination, environment and attitude, the recognition rate is not satisfactory. Therefore, a face recognition system based on machine learning and sparse representation is proposed in this paper, which can achieve better recognition rate in noisy environment. The main research contents and results are as follows: (1) aiming at the problem that face recognition does not perform well in noise environment, a sparse representation based classifier algorithm is proposed. Therefore, the recognition rate of face with occlusion or poor illumination is improved. (2) because of the lack of traditional face feature extraction, the extracted features are too simple and primary. To solve this problem, a concatenated convolution self-encoder based on depth learning theory is proposed to extract features. The concatenated convolution self-encoder can learn from itself, reduce the error of feature extraction, and extract deeper and abstract features by multi-layer cascade. The recognition rate of the system is further improved. (3) A face recognition system is designed and implemented by combining two approaches: a sparse representation based classifier algorithm and a cascaded convolution self-coder based on depth learning theory. The system has good performance in noise environment and high recognition speed and accuracy.
【學(xué)位授予單位】：浙江工業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TP391.41;TP181

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 李映;張艷寧;許星;;基于信號(hào)稀疏表示的形態(tài)成分分析:進(jìn)展和展望[J];電子學(xué)報(bào);2009年01期

2 趙瑞珍;王飛;羅阿理;張彥霞;;基于稀疏表示的譜線自動(dòng)提取方法[J];光譜學(xué)與光譜分析;2009年07期

3 楊蜀秦;寧紀(jì)鋒;何東健;;基于稀疏表示的大米品種識(shí)別[J];農(nóng)業(yè)工程學(xué)報(bào);2011年03期

4 史加榮;楊威;魏宗田;;基于非負(fù)稀疏表示的人臉識(shí)別[J];計(jì)算機(jī)工程與設(shè)計(jì);2012年05期

5 高志榮;熊承義;笪邦友;;改進(jìn)的基于殘差加權(quán)的稀疏表示人臉識(shí)別[J];中南民族大學(xué)學(xué)報(bào)(自然科學(xué)版);2012年03期

6 朱杰;楊萬(wàn)扣;唐振民;;基于字典學(xué)習(xí)的核稀疏表示人臉識(shí)別方法[J];模式識(shí)別與人工智能;2012年05期

7 耿耀君;張軍英;袁細(xì)國(guó);;一種基于稀疏表示系數(shù)的特征相關(guān)性測(cè)度[J];模式識(shí)別與人工智能;2013年01期

8 張疆勤;廖海斌;李原;;基于因子分析與稀疏表示的多姿態(tài)人臉識(shí)別[J];計(jì)算機(jī)工程與應(yīng)用;2013年05期

9 李正周;王會(huì)改;劉梅;丁浩;金鋼;;基于形態(tài)成分稀疏表示的紅外小弱目標(biāo)檢測(cè)[J];彈箭與制導(dǎo)學(xué)報(bào);2013年04期

10 胡正平;趙淑歡;李靜;;基于塊稀疏遞推殘差分析的稀疏表示遮擋魯棒識(shí)別算法研究[J];模式識(shí)別與人工智能;2014年01期

相關(guān)會(huì)議論文 前3條

1 何愛(ài)香;劉玉春;魏廣芬;;基于稀疏表示的煤矸界面識(shí)別研究[A];虛擬運(yùn)營(yíng)與云計(jì)算——第十八屆全國(guó)青年通信學(xué)術(shù)年會(huì)論文集（上冊(cè)）[C];2013年

2 樊亞翔;孫浩;周石琳;鄒煥新;;基于元樣本稀疏表示的多視角目標(biāo)識(shí)別[A];2013年中國(guó)智能自動(dòng)化學(xué)術(shù)會(huì)議論文集（第五分冊(cè)）[C];2013年

3 葛鳳翔;任歲玲;郭鑫;郭良浩;孫波;;微弱信號(hào)處理及其研究進(jìn)展[A];中國(guó)聲學(xué)學(xué)會(huì)水聲學(xué)分會(huì)2013年全國(guó)水聲學(xué)學(xué)術(shù)會(huì)議論文集[C];2013年

相關(guān)博士學(xué)位論文 前10條

1 李進(jìn)明;基于稀疏表示的圖像超分辨率重建方法研究[D];重慶大學(xué);2015年

2 王亞寧;基于信號(hào)稀疏表示的電機(jī)故障診斷研究[D];河北工業(yè)大學(xué);2014年

3 姚明海;視頻異常事件檢測(cè)與認(rèn)證方法研究[D];東北師范大學(xué);2015年

4 黃國(guó)華;蛋白質(zhì)翻譯后修飾位點(diǎn)與藥物適應(yīng)癥預(yù)測(cè)方法研究[D];上海大學(xué);2015年

5 王瑾;基于稀疏表示的數(shù)據(jù)收集、復(fù)原與壓縮研究[D];北京工業(yè)大學(xué);2015年

6 王文卿;基于融合框架與稀疏表示的遙感影像銳化[D];西安電子科技大學(xué);2015年

7 解虎;高維小樣本陣列自適應(yīng)信號(hào)處理方法研究[D];西安電子科技大學(xué);2015年

8 秦振濤;基于稀疏表示及字典學(xué)習(xí)遙感圖像處理關(guān)鍵技術(shù)研究[D];成都理工大學(xué);2015年

9 薛明;基于稀疏表示的在線目標(biāo)跟蹤研究[D];上海交通大學(xué);2014年

10 孫樂(lè);空譜聯(lián)合先驗(yàn)的高光譜圖像解混與分類方法[D];南京理工大學(xué);2014年

相關(guān)碩士學(xué)位論文 前10條

1 王道文;基于稀疏表示的目標(biāo)跟蹤算法研究[D];華南理工大學(xué);2015年

2 李哲;基于稀疏表示和LS-SVM的心電信號(hào)分類[D];河北大學(xué);2015年

3 孫雪青;Shearlet變換和稀疏表示相結(jié)合的甲狀腺結(jié)節(jié)圖像融合[D];河北大學(xué);2015年

4 吳麗璇;基于稀疏表示的微聚焦X射線圖像去噪方法[D];華南理工大學(xué);2015年

5 趙孝磊;基于圖像分塊稀疏表示的人臉識(shí)別算法研究[D];南京信息工程大學(xué);2015年

6 黃志明;基于辨別式稀疏字典學(xué)習(xí)的視覺(jué)追蹤算法研究[D];華南理工大學(xué);2015年

7 張鈴華;非約束環(huán)境下的稀疏表示人臉識(shí)別算法研究[D];南京信息工程大學(xué);2015年

8 賀妍斐;基于稀疏表示與自適應(yīng)倒易晶胞的遙感圖像復(fù)原方法研究[D];南京信息工程大學(xué);2015年

9 楊爍;電能質(zhì)量擾動(dòng)信號(hào)的稀疏表示/壓縮采樣研究[D];西南交通大學(xué);2015年

10 應(yīng)艷麗;基于低秩稀疏表示的目標(biāo)跟蹤算法研究[D];西南交通大學(xué);2015年

，

本文編號(hào)：2169266