【摘要】：近年來,由于生物特征具有不被遺忘與丟失的優(yōu)勢,所以生物特征識別技術(shù)便成為一種便捷、安全與可靠的保障技術(shù)。人臉識別技術(shù)應(yīng)用計算機技術(shù),利用人臉的生物特征來對人臉進行區(qū)分,被公認為最不具有“侵犯性”、最方便、非�！叭诵曰钡募夹g(shù)。它已成為了現(xiàn)代計算機技術(shù)研究的熱點之一。人臉識別主要包括人臉特征提取和分類識別兩環(huán)節(jié)。本文首先系統(tǒng)地介紹了在人臉特征提取發(fā)展中產(chǎn)生的三個經(jīng)典的算法:線性判別分析法(Linear Discriminate Dialysis,LDA)、主成分分析法(Principal Component Analysis,PCA)和局部保持投影算法(Locality Preserving Projections,LPP)。這三個算法都屬于經(jīng)典的降維算法,屬于模式識別領(lǐng)域,極大地推進了人臉識別技術(shù)的發(fā)展,至今仍然被人們學(xué)習(xí)、效仿和比較。目前,基于稀疏表示的人臉識別方法得到了人們越來越多的重視,它從一個全新的角度看待和處理人臉識別問題。其基本思想可理解為:人臉測試樣本可由訓(xùn)練樣本近似表達,則測試樣本屬于表達式中占比最大的類別。本文應(yīng)用稀疏表示的思想針對以上三種傳統(tǒng)的經(jīng)典的特征提取方法進行了改進,提出了三種基于稀疏表示的改進的常規(guī)變換方法(SRPCA、SRLDA和SRLPP),并對改進的常規(guī)變換方法做了合理性分析。人臉的分類識別已經(jīng)有很多方法,近年來提出的基于稀疏表示的人臉識別方法屬于一類新的人臉識別方法,它有著完全不同的方法學(xué)。本文首先介紹兩個稀疏表示分類器:稀疏表示分類器(Sparse Representation based Classifier,SRC)、加權(quán)稀疏表示分類器(Weighted Sparse Representation based Classifier,WSRC),并在此基礎(chǔ)上提出了經(jīng)過改良的加權(quán)稀疏表示分類器(Improved Weighted Sparse Representation based Classifier,IWSRC)。最后,將本文提出的四個算法(SRPCA、SRLDA、SRLPP和IWSRC)在ORL、Yale、Yale B、AR等四個人臉數(shù)據(jù)庫上進行實驗,并對實驗結(jié)果進行分析比較。實驗表明,它們的性能比傳統(tǒng)經(jīng)典的特征提取方法和稀疏表示分別器都有了很大提升。
[Abstract]:In recent years, biometric recognition technology has become a convenient, safe and reliable technology because of its advantages of not being forgotten and losing. Face recognition technology applies computer technology to distinguish faces by using the biometric features of faces. It is recognized as the least invasive, most convenient, and very "humanized" technology. It has become one of the hotspots in the research of modern computer technology. Face recognition mainly includes two steps: face feature extraction and classification recognition. In this paper, we introduce three classical algorithms in the development of face feature extraction: linear discriminant analysis (Linear Discriminate), principal component analysis (Principal Component) and local preserving projection (Locality Preserving). These three algorithms belong to the classical dimensionality reduction algorithm and belong to the field of pattern recognition. They greatly promote the development of face recognition technology and are still studied imitated and compared by people up to now. At present, more and more attention has been paid to face recognition based on sparse representation, which looks at and deals with the problem of face recognition from a new point of view. The basic idea is that the face test sample can be expressed by the training sample approximately, then the test sample belongs to the category with the largest proportion in the expression. In this paper, the idea of sparse representation is used to improve the three classical feature extraction methods mentioned above. Three improved conventional transformation methods based on sparse representation (SRPCAS LDA and SRLPP),) are proposed and the rationality of the improved conventional transformation methods is analyzed. There are many methods for face classification and recognition. In recent years, the sparse representation based face recognition method belongs to a new class of face recognition methods, it has a completely different methodology. This paper first introduces two sparse representation classifiers: sparse representation classifier (Sparse Representation based Classifier and weighted sparse representation classifier (Weighted Sparse Representation based Classifier. On this basis, an improved weighted sparse representation classifier (Improved Weighted Sparse Representation based Classifier is proposed. Finally, the four algorithms proposed in this paper (SRPCAS SRLDAN SRLPP and IWSRC) are experimented on four human face databases, such as ORL Yaleer Yale Bearar, and the experimental results are analyzed and compared. Experiments show that their performance is much better than that of traditional feature extraction methods and sparse representation separators.
【學(xué)位授予單位】：蘇州大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TP391.41

【相似文獻】

相關(guān)期刊論文 前10條

1 李映;張艷寧;許星;;基于信號稀疏表示的形態(tài)成分分析:進展和展望[J];電子學(xué)報;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提取方法[J];光譜學(xué)與光譜分析;2009年07期

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

4 史加榮;楊威;魏宗田;;基于非負稀疏表示的人臉識別[J];計算機工程與設(shè)計;2012年05期

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

6 朱杰;楊萬扣;唐振民;;基于字典學(xué)習(xí)的核稀疏表示人臉識別方法[J];模式識別與人工智能;2012年05期

7 耿耀君;張軍英;袁細國;;一種基于稀疏表示系數(shù)的特征相關(guān)性測度[J];模式識別與人工智能;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)人臉識別[J];計算機工程與應(yīng)用;2013年05期

9 李正周;王會改;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[J];彈箭與制導(dǎo)學(xué)報;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別算法研究[J];模式識別與人工智能;2014年01期

相關(guān)會議論文 前3條

1 何愛香;劉玉春;魏廣芬;;基于稀疏表示的煤矸界面識別研究[A];虛擬運營與云計算——第十八屆全國青年通信學(xué)術(shù)年會論文集（上冊）[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)識別[A];2013年中國智能自動化學(xué)術(shù)會議論文集（第五分冊）[C];2013年

3 葛鳳翔;任歲玲;郭鑫;郭良浩;孫波;;微弱信號處理及其研究進展[A];中國聲學(xué)學(xué)會水聲學(xué)分會2013年全國水聲學(xué)學(xué)術(shù)會議論文集[C];2013年

相關(guān)博士學(xué)位論文 前10條

1 李進明;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;基于信號稀疏表示的電機故障診斷研究[D];河北工業(yè)大學(xué);2014年

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

4 黃國華;蛋白質(zhì)翻譯后修飾位點與藥物適應(yīng)癥預(yù)測方法研究[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;空譜聯(lián)合先驗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 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

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

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

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

5 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

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

7 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

8 梁曉捷;基于網(wǎng)絡(luò)攝像頭與稀疏表示分類法的實時人臉識別系統(tǒng)應(yīng)用研究[D];五邑大學(xué);2015年

9 張宏樂;語音信號稀疏表示方法研究[D];太原理工大學(xué);2016年

10 郭欣;基于K-SVD稀疏表示的語音增強算法研究[D];太原理工大學(xué);2016年

，

本文編號：2144883