本文關(guān)鍵詞：基于局部敏感性和混合稀疏表示的人臉識別研究

  更多相關(guān)文章： 人臉識別 稀疏表示 分組稀疏 局部敏感性 混合稀疏 極限學(xué)習(xí)機

【摘要】：作為圖像處理、模式識別等領(lǐng)域最成功的應(yīng)用之一,人臉識別由于無需識別對象配合、可遠程隱蔽操作、識別過程友好等特點備受關(guān)注。除了純粹的科研意義,在商業(yè)和執(zhí)法中也有著諸多應(yīng)用,如監(jiān)管、安全、通訊和人機交互等。經(jīng)過30年的研究,各種各樣的人臉識別方法被研究者相繼提出。隨著壓縮感知理論的興起,作為其核心技術(shù)的稀疏表示,不僅可以降低數(shù)據(jù)分析和處理的成本,而且可以提高數(shù)據(jù)的壓縮效率,因而基于稀疏表示的方法由于其出色的分類性能以及對噪聲和遮擋的魯棒性受到了研究者的廣泛關(guān)注,紛紛將科研方向?qū)Ｗ⒂诨谙∈璞硎镜娜四樧R別研究上,實現(xiàn)人臉識別的更加精準(zhǔn)化,提高人臉識別技術(shù)。本文對基于稀疏表示的人臉識別方法展開深入研究,并在此基礎(chǔ)上,對稀疏編碼加入局部敏感性、分組稀疏性以及混合稀疏性的約束,從而提高人臉圖像的分類性能。本論文的主要內(nèi)容和創(chuàng)新點如下：1)首先介紹了本文所涉及領(lǐng)域與其相關(guān)技術(shù)的研究現(xiàn)狀,概述了本文研究方法所在的人臉識別框架平臺,繼而歸納總結(jié)了本文主要研究重點,即稀疏表示的相關(guān)基礎(chǔ)知識。2)提出了基于局部敏感性分組稀疏表示的人臉識別分類方法。該方法通過對稀疏編碼加以局部約束性,保留了測試樣本和相鄰訓(xùn)練數(shù)據(jù)間的相似性,以獲得更多包含判別信息的有效稀疏表示系數(shù),并分別與兩種分組稀疏方法相結(jié)合,解決了訓(xùn)練樣本字典內(nèi)部結(jié)構(gòu)性問題。實驗將在ORL人臉庫,AR人臉庫以及Extended Yale B人臉庫上分別進行,以驗證該方法有效性。3)提出基于核局部敏感性分組稀疏的極限學(xué)習(xí)機人臉識別分類方法。該方法將首先對于稀疏表征加以局部敏感性與分組稀疏性的雙重約束,既考慮了訓(xùn)練數(shù)據(jù)的字典結(jié)構(gòu)性問題,也保留了對稀疏編碼的局部約束性,并在考慮局部約束性時加入高斯核函數(shù)以提高約束性能,再將其與極限學(xué)習(xí)機相結(jié)合。彌補了擁有較快學(xué)習(xí)速度的極限學(xué)習(xí)機在應(yīng)用于分類時由于對噪聲敏感以致準(zhǔn)確性較低,而分類性能較好且對光照、噪聲等魯棒的稀疏表示方法卻較為耗時的不足,實現(xiàn)了在擁有較快識別速度的同時,保持較好分類識別性能。本文將在ORL人臉庫,AR人臉庫以及Extended Yale B人臉庫上進行多組對比實驗,分別測試該方法的識別率與分類時間。4)提出基于非級聯(lián)Gabor特征的混合稀疏表示人臉識別分類方法。該方法將對光照、姿態(tài)及表情等變化具有較好魯棒性的Gabor特征應(yīng)用到稀疏表征方法中,并充分考慮5尺度和8方向上的所有Gabor特征信息,即用提取得到的人臉圖像的多尺度多方向的Gabor局部特征替換稀疏表征中原先使用的全局特征,并使用主成分分析方法對圖像進行降維,而后在進行稀疏表征時采用混合稀疏表示方法,綜合考慮數(shù)據(jù)的分組結(jié)構(gòu)性與整體稀疏性,并通過求解混合稀疏最小化問題來得到最終識別結(jié)果。該方法的實驗將在AR和Extended Yale B標(biāo)準(zhǔn)人臉庫上進行,以驗證該方法的可行性及有效性。
【關(guān)鍵詞】：人臉識別 稀疏表示 分組稀疏 局部敏感性 混合稀疏 極限學(xué)習(xí)機
【學(xué)位授予單位】：安徽大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TP391.41
【目錄】：

• 摘要3-5
• Abstract5-9
• 第一章 緒論9-16
• 1.1 研究背景及意義9-10
• 1.2 國內(nèi)外研究現(xiàn)狀及技術(shù)研究難點10-13
• 1.2.1 國內(nèi)外研究現(xiàn)狀10-12
• 1.2.2 技術(shù)研究難點12-13
• 1.3 本文主要研究內(nèi)容及創(chuàng)新點13-14
• 1.4 本文組織結(jié)構(gòu)14-16
• 第二章 基本理論16-23
• 2.1 人臉識別基本流程16-21
• 2.1.1 人臉檢測16-17
• 2.1.2 圖像預(yù)處理17-18
• 2.1.3 特征提取18-19
• 2.1.4 分類識別19-21
• 2.2 稀疏表征理論21-23
• 2.2.1 稀疏表示21-22
• 2.2.2 分組稀疏22-23
• 第三章 基于局部敏感性分組稀疏表示的人臉識別研究23-43
• 3.1 基于局部敏感性分組稀疏表示的人臉識別算法23-25
• 3.1.1 概述23
• 3.1.2 LS-GSRC算法實現(xiàn)23-25
• 3.2 基于核局部敏感性分組稀疏的極限學(xué)習(xí)機人臉識別算法25-30
• 3.2.1 極限學(xué)習(xí)機25-28
• 3.2.2 LS-GSE算法實現(xiàn)28-30
• 3.3 模擬試驗及分析30-43
• 3.3.1 實驗數(shù)據(jù)集30
• 3.3.2 LS-GSRC實驗與結(jié)果分析30-33
• 3.3.3 LS-GSE實驗與結(jié)果分析33-43
• 第四章 基于非級聯(lián)Gabor特征的混合稀疏表示方法的魯棒人臉識別43-53
• 4.1 Gabor特征概述43-44
• 4.2 基于非級聯(lián)Gabor特征的混合稀疏表示人臉識別算法44-47
• 4.2.1 混合稀疏表示44-45
• 4.2.2 算法實現(xiàn)45-47
• 4.3 模擬試驗及分析47-53
• 4.3.1 實驗數(shù)據(jù)集47
• 4.3.2 模擬實驗47-51
• 4.3.3 實驗分析51-53
• 第五章 總結(jié)與展望53-56
• 5.1 總結(jié)53-54
• 5.2 展望54-56
• 參考文獻56-62
• 致謝62-63
• 碩士期間發(fā)表的論文與參加的科研項目63

【相似文獻】

中國期刊全文數(shù)據(jù)庫 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(jì)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

中國重要會議論文全文數(shù)據(jù)庫 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

中國博士學(xué)位論文全文數(shù)據(jù)庫 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(rèn)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

中國碩士學(xué)位論文全文數(shù)據(jù)庫 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)量擾動信號的稀疏表示/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

  本文關(guān)鍵詞：基于局部敏感性和混合稀疏表示的人臉識別研究

  更多相關(guān)文章： 人臉識別 稀疏表示 分組稀疏 局部敏感性 混合稀疏 極限學(xué)習(xí)機

，

本文編號：511898