字典學(xué)習(xí)和稀疏表示在非奇異人臉識別方面取得較大突破,但當(dāng)人們用墨鏡、圍巾、假胡子等有意遮擋面部時(shí),會引入大量變體,導(dǎo)致識別性能降低。樣本多樣性不足、可得數(shù)據(jù)量小等實(shí)際情況會使訓(xùn)練樣本不足以表示測試樣本變量,樣本受損也會影響訓(xùn)練樣本對測試樣本的判別表示,因此需要學(xué)習(xí)更魯棒的判別字典。該文在總結(jié)國內(nèi)外字典學(xué)習(xí)算法基礎(chǔ)上,提出以下三種改進(jìn)算法:首先,針對傳統(tǒng)稀疏編碼用₁l或₂l范數(shù)解稀疏系數(shù),對偽裝人臉識別不夠魯棒,又僅進(jìn)行單一身份認(rèn)證,未能檢測出人臉面部奇異信息,為此提出基于迭代重加權(quán)稀疏編碼的雙標(biāo)簽奇異人臉識別算法。該算法將無偽裝樣本作為判別字典,提出加權(quán)魯棒稀疏編碼模型,并用迭代重加權(quán)稀疏編碼算法求解,解得的權(quán)能夠刻畫面部的奇異映射。最后利用權(quán)的物理意義構(gòu)造奇異字典進(jìn)行面部奇異分類,并在權(quán)空間用判別字典進(jìn)行身份識別,同時(shí)完成人臉身份和面部奇異類型的判別。其次,針對樣本數(shù)據(jù)量小、多樣性不足等情況下的偽裝人臉識別,提出基于多尺度韋伯對稱局部圖表結(jié)構(gòu)特征聯(lián)合核擴(kuò)展稀疏表示的人臉識別算法。該算法首先將樣本分成訓(xùn)練集、畫廊集、測試集,訓(xùn)練集含有非畫廊集... 

【文章來源】：燕山大學(xué)河北省

【文章頁數(shù)】：69 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 課題研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 本文研究內(nèi)容
    1.4 本文組織結(jié)構(gòu)
第2章 基于字典學(xué)習(xí)的人臉識別算法基礎(chǔ)
    2.1 稀疏表示分類理論
    2.2 字典學(xué)習(xí)
    2.3 低秩表示
    2.4 特征提取模型
        2.4.1 LBP特征提取模型
        2.4.2 WSLGS特征提取模型
    2.5 人臉數(shù)據(jù)集簡介
    2.6 本章小結(jié)
第3章 基于迭代重加權(quán)稀疏編碼的雙標(biāo)簽奇異人臉識別算法
    3.1 引言
    3.2 基于迭代重加權(quán)稀疏編碼的雙標(biāo)簽奇異人臉識別
        3.2.1 加權(quán)魯棒稀疏編碼
        3.2.2 迭代重加權(quán)稀疏編碼算法
        3.2.3 基于迭代重加權(quán)稀疏編碼的雙標(biāo)簽分類
        3.2.4 算法的收斂性分析
    3.3 實(shí)驗(yàn)結(jié)果與分析
        3.3.1 AR數(shù)據(jù)集仿真實(shí)驗(yàn)
        3.3.2 YaleB數(shù)據(jù)集仿真實(shí)驗(yàn)
        3.3.3 CMU-PIE數(shù)據(jù)集仿真實(shí)驗(yàn)
    3.4 本章小結(jié)
第4章 多尺度WSLGS特征聯(lián)合核擴(kuò)展稀疏表示的奇異人臉識別算法
    4.1 引言
    4.2 多尺度WSLGS特征聯(lián)合核擴(kuò)展稀疏表示的奇異人臉識別算法
        4.2.1 多尺度WSLGS特征提取
        4.2.2 擴(kuò)展稀疏表示分類(ESRC)
        4.2.3 核判別分析
        4.2.4 核空間奇異模型的構(gòu)建
        4.2.5 構(gòu)造核擴(kuò)展字典(KED)
        4.2.6 完整的算法流程
    4.3 實(shí)驗(yàn)結(jié)果與分析
        4.3.1 AR數(shù)據(jù)集仿真實(shí)驗(yàn)
        4.3.2 YaleB數(shù)據(jù)集仿真實(shí)驗(yàn)
        4.3.3 CMU-PIE數(shù)據(jù)集仿真實(shí)驗(yàn)
    4.4 本章小結(jié)
第5章 基于多尺度LBP特征的低秩雙字典學(xué)習(xí)算法
    5.1 引言
    5.2 基于多尺度LBP特征的低秩雙字典學(xué)習(xí)算法
        5.2.1 特征提取
        5.2.2 圖像包含的信息類型及性能分析
        5.2.3 低秩雙字典學(xué)習(xí)算法的目標(biāo)函數(shù)
        5.2.4 低秩雙字典學(xué)習(xí)的優(yōu)化
        5.2.5 低秩雙字典學(xué)習(xí)的分類
    5.3 實(shí)驗(yàn)結(jié)果與分析
        5.3.1 AR數(shù)據(jù)集仿真實(shí)驗(yàn)
        5.3.2 YaleB數(shù)據(jù)集仿真實(shí)驗(yàn)
        5.3.3 CMU-PIE數(shù)據(jù)集仿真實(shí)驗(yàn)
    5.4 本章小結(jié)
結(jié)論
參考文獻(xiàn)
致謝



本文編號：3438420