本文選題：人臉識(shí)別 + 協(xié)同表示��； 參考：《山東大學(xué)》2017年碩士論文

【摘要】：隨著社會(huì)的快速發(fā)展,信息安全問(wèn)題逐漸得到人們的重視,如何進(jìn)行準(zhǔn)確、快速的身份識(shí)別已成為一項(xiàng)亟待解決的重要課題。人臉識(shí)別技術(shù)利用每個(gè)人獨(dú)有的面部特征進(jìn)行身份識(shí)別,與基于其他生物特征的身份識(shí)別技術(shù)相比,具有采集簡(jiǎn)單方便、非侵入性、符合人類(lèi)認(rèn)知習(xí)慣等優(yōu)點(diǎn)。人臉識(shí)別技術(shù)是模式識(shí)別和人工智能等領(lǐng)域的研究熱點(diǎn),并且在公共安全及經(jīng)濟(jì)金融方面顯示出了巨大的應(yīng)用前景。人臉識(shí)別技術(shù)雖然取得了許多突破,但在不受控條件下的識(shí)別效果并不理想,仍然具有高度的挑戰(zhàn)性。本文首先介紹了人臉識(shí)別研究的背景、意義、研究現(xiàn)狀和一般的算法流程,接著主要研究了人臉識(shí)別中的特征提取和分類(lèi)方法。其中重點(diǎn)研究了稀疏表示(SRC)理論,針對(duì)其最小化l,范數(shù)的計(jì)算復(fù)雜度過(guò)高的問(wèn)題,利用l2范數(shù)代替l,范數(shù),引入?yún)f(xié)同表示(CRC)算法,大大降低了計(jì)算成本。通過(guò)對(duì)這兩種算法的對(duì)比研究,發(fā)現(xiàn)SRC與CRC算法的目標(biāo)都是利用訓(xùn)練樣本實(shí)現(xiàn)對(duì)測(cè)試樣本的最優(yōu)重構(gòu),再由編碼系數(shù)判斷出測(cè)試樣本的類(lèi)別。由于協(xié)同表示算法的計(jì)算復(fù)雜度低,實(shí)時(shí)性強(qiáng),研究協(xié)同表示的改進(jìn)算法更適于實(shí)際應(yīng)用。因此,本文針對(duì)協(xié)同表示方法的不足之處,進(jìn)行了一系列的改進(jìn)。本文的主要?jiǎng)?chuàng)新點(diǎn)如下:(1)由于訓(xùn)練樣本中不可避免的存在一定的噪聲誤差,會(huì)在協(xié)同表示算法重構(gòu)測(cè)試樣本時(shí)引起差錯(cuò)。針對(duì)這一缺點(diǎn),本文利用低秩矩陣恢復(fù)(LR)算法處理人臉圖像,減弱了人臉圖像中的噪聲誤差,突出同類(lèi)人臉的共同特征,以便更好的重構(gòu)出測(cè)試樣本。在計(jì)算低秩逼近矩陣時(shí),利用非精確的拉格朗日乘子法(IALM)代替精確的拉格朗日乘子法(EALM),降低了計(jì)算難度,提升了運(yùn)行效率,使算法更具實(shí)用性。(2)協(xié)同表示算法忽略了近鄰樣本在重構(gòu)測(cè)試樣本時(shí)的重要作用。針對(duì)這一缺點(diǎn),將局域一致性引入編碼方案中,使得相似的樣本(近鄰樣本)的編碼系數(shù)盡可能的相似。低秩恢復(fù)可以有效地去除原始圖片中的噪聲和誤差,突出同類(lèi)的人臉圖片的共同特征,使得同類(lèi)人臉圖片的距離盡可能的相近。將這兩種方法相結(jié)合,提出了基于低秩恢復(fù)和局域約束協(xié)同表示(LR-LCCR)的人臉識(shí)別算法,能夠使得同類(lèi)人臉圖像的編碼系數(shù)相似,增強(qiáng)魯棒性。在AR和Extend Yale B人臉庫(kù)上的實(shí)驗(yàn)證明了算法的良好性能。(3)稀疏表示和協(xié)同表示一般利用圖像的全局特征構(gòu)成訓(xùn)練庫(kù)字典。由于全局特征對(duì)人臉圖像的描述并不充分,所以針對(duì)協(xié)同表示的字典對(duì)其進(jìn)行了改進(jìn)。詳細(xì)闡述了一種提取人臉局部特征的有效算法,方向邊緣幅值模式(POEM)。利用人臉圖像的POEM特征構(gòu)成協(xié)同表示的字典,提出了基于POEM特征的協(xié)同表示(POEM-CRC)算法。在AR和FERET人臉庫(kù)上的實(shí)驗(yàn)證明了 POEM-CRC算法的性能優(yōu)于其他同類(lèi)算法。
[Abstract]:With the rapid development of society, people pay more and more attention to the problem of information security. How to identify accurately and quickly has become an important task to be solved urgently. Compared with other biometric identification techniques, face recognition technology has the advantages of simple and convenient collection, non-invasive, consistent with human cognitive habits and so on. Face recognition is a hot topic in pattern recognition and artificial intelligence, and it has shown great application prospect in public security and economic and financial fields. Although many breakthroughs have been made in face recognition technology, the recognition effect under uncontrolled conditions is not satisfactory, and it is still highly challenging. This paper first introduces the background, significance, research status and general algorithm flow of face recognition, and then mainly studies the feature extraction and classification methods in face recognition. The theory of sparse representation (SRC) is mainly studied in this paper. Aiming at the problem of high computational complexity of minimization of l and norm, we use l 2 norm instead of l norm and introduce cooperative representation (CRC) algorithm, which greatly reduces the computation cost. Through the comparative study of the two algorithms, it is found that both SRC and CRC algorithms aim at the optimal reconstruction of test samples using training samples, and then determine the types of test samples from the coding coefficients. Because of its low computational complexity and high real-time performance, the improved collaborative representation algorithm is more suitable for practical application. Therefore, this paper makes a series of improvements to the shortcomings of collaborative representation. The main innovation of this paper is as follows: (1) due to the inevitable noise error in the training samples, it will cause errors in the reconstruction of test samples by the cooperative representation algorithm. Aiming at this shortcoming, this paper uses the low rank matrix restoration algorithm to process face image, reduces the noise error in the face image, highlights the common features of the same kind of face, so as to better reconstruct the test sample. In the calculation of low rank approximation matrix, the inexact Lagrange multiplier method (IALM) is used instead of the exact Lagrange multiplier method to reduce the calculation difficulty and improve the running efficiency. In order to make the algorithm more practical, the cooperative representation algorithm ignores the important role of neighbor samples in reconstructing test samples. To solve this problem, local consistency is introduced into the coding scheme to make the coding coefficients of similar samples (nearest neighbor samples) as similar as possible. Low-rank restoration can effectively remove the noise and error in the original image, highlight the common features of the same kind of face image, and make the distance of the same face image as close as possible. By combining these two methods, a face recognition algorithm based on low rank restoration and local constraint cooperative representation (LR-LCCR) is proposed, which can make the coding coefficients of similar face images similar and enhance the robustness. Experiments on AR and extend Yale B face database show that the algorithm has good performance. The sparse representation and cooperative representation generally use the global features of images to form a training library dictionary. Because the global feature is not sufficient to describe the face image, the dictionary for cooperative representation is improved. In this paper, an effective algorithm for extracting face local features, directional edge amplitude mode, is described in detail. Based on Pom features of face images, a dictionary of cooperative representation is proposed, and a Poem-based collaborative representation algorithm is proposed. Experiments on AR and Feret face database show that the performance of POEM-CRC algorithm is better than that of other similar algorithms.
【學(xué)位授予單位】：山東大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類(lèi)號(hào)】：TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 郝新華;;人臉識(shí)別技術(shù)在公安工作中的應(yīng)用[J];中國(guó)公共安全(綜合版);2006年08期

2 鄧輝;梁昔明;;身份認(rèn)證中的人臉識(shí)別技術(shù)[J];湘潭師范學(xué)院學(xué)報(bào)(自然科學(xué)版);2007年03期

3 蘇光大;;人臉識(shí)別技術(shù)之應(yīng)用問(wèn)題談[J];中國(guó)安防;2008年07期

4 孫茜;;淺談人臉識(shí)別技術(shù)[J];科技資訊;2009年08期

5 王慶;;淺談?dòng)?jì)算機(jī)人臉識(shí)別技術(shù)[J];重慶工貿(mào)職業(yè)技術(shù)學(xué)院學(xué)報(bào);2009年02期

6 錢(qián)鋒;;淺談人臉識(shí)別技術(shù)的現(xiàn)狀與應(yīng)用[J];信息與電腦(理論版);2009年11期

7 賈川;;淺談人臉識(shí)別技術(shù)應(yīng)用及發(fā)展趨勢(shì)[J];中國(guó)安防;2010年03期

8 ;中科院自動(dòng)化所人臉識(shí)別技術(shù)服務(wù)世博會(huì)安保工作[J];自動(dòng)化與儀表;2010年08期

9 侯鯤;賈隆嘉;王赫寧;;人臉識(shí)別技術(shù)的現(xiàn)狀和發(fā)展趨勢(shì)[J];科協(xié)論壇(下半月);2010年11期

10 李倩;;人臉識(shí)別技術(shù)及應(yīng)用[J];黑龍江科技信息;2011年01期

相關(guān)會(huì)議論文 前6條

1 陳霞;吳瓏;樊進(jìn);譚守標(biāo);;人臉識(shí)別技術(shù)綜述[A];中國(guó)儀器儀表學(xué)會(huì)第十二屆青年學(xué)術(shù)會(huì)議論文集[C];2010年

2 張大鵬;李偉英;湯顯;陳寶峰;;基于小波和神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別技術(shù)[A];2005年全國(guó)理論計(jì)算機(jī)科學(xué)學(xué)術(shù)年會(huì)論文集[C];2005年

3 徐茜亮;霍振龍;;人臉識(shí)別技術(shù)在礦井人員管理系統(tǒng)中的研究與應(yīng)用[A];第23屆全國(guó)煤礦自動(dòng)化與信息化學(xué)術(shù)會(huì)議暨第5屆中國(guó)煤礦信息化與自動(dòng)化高層論壇論文集[C];2013年

4 孫朋;劉黨輝;肖艷青;;基于嵌入式系統(tǒng)的人臉識(shí)別技術(shù)研究進(jìn)展[A];第七屆全國(guó)信息獲取與處理學(xué)術(shù)會(huì)議論文集[C];2009年

5 李司鐸;張錦;陳南國(guó);朱尚武;;TCM在人臉識(shí)別技術(shù)中的應(yīng)用研究[A];2009年中國(guó)智能自動(dòng)化會(huì)議論文集（第三分冊(cè)）[C];2009年

6 李祥寶;;人臉識(shí)別發(fā)展分析[A];中南六�。▍^(qū)）自動(dòng)化學(xué)會(huì)第24屆學(xué)術(shù)年會(huì)會(huì)議論文集[C];2006年

相關(guān)重要報(bào)紙文章 前10條

1 本報(bào)記者 張懿;打拐：人臉識(shí)別技術(shù)“亮劍”[N];文匯報(bào);2011年

2 謝旭東;人臉識(shí)別技術(shù)的應(yīng)用[N];人民日?qǐng)?bào);2011年

3 記者 張亦筑;我市在人臉識(shí)別技術(shù)上取得重大突破[N];重慶日?qǐng)?bào);2014年

4 北京數(shù)字奧森科技有限公司 沈偉;人臉識(shí)別技術(shù)與應(yīng)用[N];計(jì)算機(jī)世界;2008年

5 陳進(jìn)文;我國(guó)人臉識(shí)別技術(shù)取得突破[N];人民郵電;2009年

6 記者 侯鐵中;視頻監(jiān)控人臉識(shí)別技術(shù)獲新進(jìn)展[N];科技日?qǐng)?bào);2013年

7 本報(bào)記者 孫奇茹;“87后”研出全球最精準(zhǔn)人臉識(shí)別技術(shù)[N];北京日?qǐng)?bào);2014年

8 本報(bào)記者 單憬崗 通訊員 張舒童 王曉燕;便民服務(wù)，�？诟母镞M(jìn)行時(shí)……[N];海南日?qǐng)?bào);2014年

9 光明;人臉識(shí)別技術(shù)應(yīng)用奧運(yùn)開(kāi)幕式[N];中國(guó)改革報(bào);2008年

10 本報(bào)記者 徐紅　通訊員 王亮;人臉識(shí)別技術(shù)運(yùn)用領(lǐng)域廣泛[N];經(jīng)濟(jì)日?qǐng)?bào);2010年

相關(guān)博士學(xué)位論文 前10條

1 劉小華;人臉識(shí)別技術(shù)及其應(yīng)用研究[D];吉林大學(xué);2005年

2 許高鳳;人臉識(shí)別技術(shù)及其在場(chǎng)館門(mén)禁系統(tǒng)中的應(yīng)用研究[D];哈爾濱工程大學(xué);2009年

3 朱長(zhǎng)仁;復(fù)雜背景下的多姿態(tài)人臉識(shí)別技術(shù)研究[D];國(guó)防科學(xué)技術(shù)大學(xué);2001年

4 周德龍;人臉識(shí)別技術(shù)研究[D];西北工業(yè)大學(xué);2000年

5 劉小軍;人臉識(shí)別技術(shù)研究[D];中國(guó)科學(xué)院電子學(xué)研究所;2001年

6 蘇宏濤;基于統(tǒng)計(jì)特征的人臉識(shí)別技術(shù)研究[D];西北工業(yè)大學(xué);2004年

7 廖頻;基于統(tǒng)一概率模型的人臉識(shí)別技術(shù)[D];中國(guó)科學(xué)院研究生院（計(jì)算技術(shù)研究所）;2003年

8 劉曉山;光照變化條件下人臉識(shí)別技術(shù)研究[D];華南理工大學(xué);2011年

9 李外云;基于ARM架構(gòu)的嵌入式人臉識(shí)別技術(shù)研究[D];華東師范大學(xué);2008年

10 張忠波;復(fù)雜背景下人臉的檢測(cè)與識(shí)別[D];吉林大學(xué);2005年

相關(guān)碩士學(xué)位論文 前10條

1 李瑋;基于人臉識(shí)別的遠(yuǎn)程認(rèn)證系統(tǒng)的研究與設(shè)計(jì)[D];內(nèi)蒙古大學(xué);2015年

2 王海峰;基于SIFT算法的多視角人臉識(shí)別技術(shù)的優(yōu)化[D];華北電力大學(xué);2015年

3 商玉高;基于iOS平臺(tái)的人臉檢測(cè)與識(shí)別研究[D];大連海事大學(xué);2015年

4 隋欣;基于魯棒子空間學(xué)習(xí)的人臉識(shí)別技術(shù)[D];電子科技大學(xué);2015年

5 曹海燕;基于幾何特征的人臉識(shí)別算法研究[D];曲阜師范大學(xué);2015年

6 童佳;基于壓縮感知理論的人臉識(shí)別[D];電子科技大學(xué);2014年

7 郝翠翠;基于人臉識(shí)別的尋人系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D];大連理工大學(xué);2015年

8 何林知;基于低秩表征的人臉識(shí)別技術(shù)研究[D];浙江師范大學(xué);2015年

9 黃燕琪;人臉識(shí)別中特征提取算法的研究及應(yīng)用[D];南昌航空大學(xué);2015年

10 楊德林;面向公共安全的人臉感知識(shí)別技術(shù)研究[D];西安電子科技大學(xué);2014年

，

本文編號(hào)：2014723