【摘要】：目前,傳統(tǒng)的身份識別方法存在不便于攜帶、易丟失、易損壞和易被破解或竊取的風(fēng)險。因此人臉識別得到了廣泛的關(guān)注,由于其具有較強(qiáng)的穩(wěn)固性、隱蔽以及個體間差別性,安全性得到了保障,應(yīng)用領(lǐng)域也愈加廣泛,例如安全、民用、軍用等領(lǐng)域。人臉識別的研究對于其他圖像處理領(lǐng)域發(fā)展同樣有極其重大的意義。在實(shí)際應(yīng)用情況下,人臉識別通常遇到小樣本數(shù)據(jù)集問題,即所擁有的訓(xùn)練樣本數(shù)目遠(yuǎn)小于待測人臉樣本的大小,小樣本數(shù)據(jù)集的問題會使得傳統(tǒng)的特征提取方法和分類識別方法在人臉識別上很難獲得較強(qiáng)的魯棒性和較好的識別率。本文圍繞"如何從人臉小樣本數(shù)據(jù)集中有效地提取人臉特征和高效的實(shí)現(xiàn)人臉分類,從而提高人臉識別的魯棒性和人臉識別的準(zhǔn)確率"這一主線,研究和實(shí)現(xiàn)了基于遷移學(xué)習(xí)和特征融合的人臉識別算法,主要工作和創(chuàng)新點(diǎn)有:(1)針對標(biāo)簽類間樣本具有相似性、同一標(biāo)簽類內(nèi)樣本具有差異性等問題,提出一種基于稀疏表示的遷移學(xué)習(xí)算法。本方法將稀疏表示和遷移學(xué)習(xí)相結(jié)合,首先待測人臉樣本通過所有原始訓(xùn)練樣本的線性表示,計算得到該待測人臉樣本在原始訓(xùn)練樣本上的稀疏系數(shù)矩陣。其次,定義類樣本包括類測試樣本和類訓(xùn)練樣本,以實(shí)現(xiàn)類訓(xùn)練樣本標(biāo)簽類內(nèi)完全相同而標(biāo)簽類間完全不同,以及類測試樣本到各標(biāo)簽類的距離相同的特性。將之前學(xué)習(xí)到的稀疏系數(shù)矩陣遷移到類訓(xùn)練樣本上,以生成重構(gòu)的類訓(xùn)練樣本,從而利用了隱藏在不同稀疏系數(shù)向量中的判別性信息。重構(gòu)的類訓(xùn)練樣本通過稀疏表示模型得到類測試樣本的重構(gòu)誤差,進(jìn)而判定類測試樣本的所屬標(biāo)簽類。(2)針對分類可信度低等問題,通過融合原始樣本和類樣本的稀疏表示結(jié)果,提出一種基于權(quán)重融合方案的分類算法。原始人臉訓(xùn)練樣本通過稀疏表示模型計算出待測人臉圖像的重構(gòu)誤差,而重構(gòu)的類訓(xùn)練樣本也利用稀疏表示模型計算出類測試樣本的重構(gòu)誤差,經(jīng)過試驗(yàn)驗(yàn)證,兩者重構(gòu)誤差之間的平均皮爾遜相關(guān)性較低,表明原始訓(xùn)練樣本和重構(gòu)的類訓(xùn)練樣本對于同一個標(biāo)簽類的表示上具有互補(bǔ)性,因此對兩者的重構(gòu)誤差賦予一定的權(quán)重并進(jìn)行融合,利用融合后的結(jié)果來判定待測人臉樣本的標(biāo)簽類,以獲得更高的識別準(zhǔn)確率。(3)為了克服稀疏表示算法僅考慮樣本的稀疏性而忽略了樣本內(nèi)部的空間結(jié)構(gòu)信息的缺點(diǎn),提出了一種基于特征融合的人臉識別模型。本方法將稀疏表示模型的樣本間稀疏性特征與均值哈希算法的樣本內(nèi)結(jié)構(gòu)性特征相融合,通過稀疏表示模型計算得到待測人臉樣本在原始人臉訓(xùn)練樣本上的稀疏系數(shù)矩陣,同時計算出所有原始人臉訓(xùn)練樣本和待測人臉樣本的均值哈希特征,最終利用訓(xùn)練樣本的均值哈希特征和稀疏系數(shù)矩陣來進(jìn)行樣本重構(gòu),待測人臉樣本均值哈希特征減去重構(gòu)樣本,得到的值用來判定待測人臉樣本的最終標(biāo)簽類,在稀疏表示的基礎(chǔ)上提高了整體類別樣本集合的識別準(zhǔn)確度和魯棒性。
[Abstract]:At present, the traditional identification method is not easy to carry, easily lost, easy to be damaged and easy to be cracked or stolen. Therefore, face recognition has been widely concerned. Because of its strong stability, concealment and individual differences, security has been guaranteed, and the application field is also widely used, such as security, civilian, military and so on. The research of face recognition is of great significance for the development of other image processing fields. In practical application, face recognition usually meets the problem of small sample data sets, that is, the number of training samples is far less than the size of the sample, and the problem of small sample data sets will make the traditional feature extraction side. The method and classification recognition method are difficult to obtain strong robustness and better recognition rate on face recognition. This paper focuses on "how to extract face features effectively from small sample data set and implement face classification efficiently, so as to improve the robustness of face recognition and the accuracy rate of face recognition". The main work and innovation points are as follows: (1) a migration learning algorithm based on sparse representation is proposed for the similarity of the samples between the labels and the differences in the sample of the same label class. This method combines sparse representation and migration learning to measure face samples first. Through the linear representation of all the original training samples, the sparse coefficient matrix of the tested face sample on the original training sample is obtained. Secondly, the class samples include class test samples and class training samples to achieve exactly the same classes in the class training sample labels and completely different among the label classes, as well as the class test samples to each label class. The sparse coefficient matrix previously learned is migrated to the class training sample to generate the reconstructed class training sample, thus using the discriminative information hidden in the different sparse coefficient vectors. The reconstructed class training samples get the reconfiguration error of the class test samples by the sparse representation model, and then determine the class test. 2. (2) in order to solve the problem of low classification reliability, a classification algorithm based on the weight fusion scheme is proposed by combining the sparse representation results of the original sample and the class sample. The original face training sample calculates the reconstruction error of the face image image by the sparse representation model, and the reconstructed class training sample is also beneficial. The sparse representation model is used to calculate the reconfiguration error of the class test sample. The experiment shows that the average Pearson correlation between the two reconstruction errors is low, which indicates that the original training samples and the reconstructed class training samples are complementary to the same label class. In order to overcome the shortcoming of the spatial structure information in the sample, a feature fusion based face recognition model is proposed to overcome the sparse representation of the sparse representation algorithm. (3) a face recognition model based on feature fusion is proposed. The sparsity feature of the sample model is fused with the structural features of the mean hash algorithm, and the sparse representation model is used to calculate the sparse coefficient matrix of the face sample on the original face training sample. At the same time, the mean hash characteristics of all the original face training samples and the face samples are calculated. The mean hash feature of the training sample and the sparse coefficient matrix are used to reconstruct the sample. The reconstructed sample is subtracted from the mean hash feature of the face sample, and the value is used to determine the final label class of the face samples to be measured, and the recognition accuracy and robustness of the whole class sample set is improved on the basis of the sparse representation.
【學(xué)位授予單位】：山東大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 於東軍,趙海濤,楊靜宇;人臉識別:一種基于特征融合及神經(jīng)網(wǎng)絡(luò)的方法(英文)[J];系統(tǒng)仿真學(xué)報;2005年05期

2 周斌;林喜榮;賈惠波;周永冠;;量化層多生物特征融合的最佳權(quán)值[J];清華大學(xué)學(xué)報(自然科學(xué)版);2008年02期

3 丁寶亮;;基于局部特征融合的人臉識別研究[J];中國新技術(shù)新產(chǎn)品;2012年14期

4 劉增榮;余雪麗;李志;;基于特征融合的圖像情感語義識別研究[J];太原理工大學(xué)學(xué)報;2012年05期

5 黃雙萍;俞龍;衛(wèi)曉欣;;一種異質(zhì)特征融合分類算法[J];電子技術(shù)與軟件工程;2013年02期

6 劉冰;羅熊;劉華平;孫富春;;光學(xué)與深度特征融合在機(jī)器人場景定位中的應(yīng)用[J];東南大學(xué)學(xué)報(自然科學(xué)版);2013年S1期

7 卞志國;金立左;費(fèi)樹岷;;特征融合與視覺目標(biāo)跟蹤[J];計算機(jī)應(yīng)用研究;2010年04期

8 韓萍;徐建龍;吳仁彪;;一種新的目標(biāo)跟蹤特征融合方法[J];中國民航大學(xué)學(xué)報;2010年04期

9 何賢江;何維維;左航;;一種句詞五特征融合模型的復(fù)述研究[J];四川大學(xué)學(xué)報(工程科學(xué)版);2012年06期

10 劉冬梅;;基于特征融合的人臉識別[J];計算機(jī)光盤軟件與應(yīng)用;2013年12期

相關(guān)會議論文 前7條

1 劉冰;羅熊;劉華平;孫富春;;光學(xué)與深度特征融合在機(jī)器人場景定位中的應(yīng)用[A];2013年中國智能自動化學(xué)術(shù)會議論文集（第三分冊）[C];2013年

2 翟懿奎;甘俊英;曾軍英;;基于特征融合與支持向量機(jī)的偽裝人臉識別[A];第六屆全國信號和智能信息處理與應(yīng)用學(xué)術(shù)會議論文集[C];2012年

3 卞志國;金立左;費(fèi)樹岷;;基于增量判別分析的特征融合與視覺目標(biāo)跟蹤[A];2009年中國智能自動化會議論文集（第三分冊）[C];2009年

4 韓文靜;李海峰;韓紀(jì)慶;;基于長短時特征融合的語音情感識別方法研究[A];第九屆全國人機(jī)語音通訊學(xué)術(shù)會議論文集[C];2007年

5 羅昕煒;方世良;;寬帶調(diào)制信號特征融合方法[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

6 金挺;周付根;白相志;;一種簡單有效的特征融合粒子濾波跟蹤算法[A];2007年光電探測與制導(dǎo)技術(shù)的發(fā)展與應(yīng)用研討會論文集[C];2007年

7 孟凡潔;孔祥維;尤新剛;;基于特征融合的相機(jī)來源認(rèn)證方法[A];全國第一屆信號處理學(xué)術(shù)會議暨中國高科技產(chǎn)業(yè)化研究會信號處理分會籌備工作委員會第三次工作會議�？痆C];2007年

相關(guān)博士學(xué)位論文 前10條

1 周斌;多生物特征融合理論的研究與實(shí)驗(yàn)[D];清華大學(xué);2007年

2 彭偉民;特征數(shù)據(jù)的量子表示與融合方法[D];華南理工大學(xué);2013年

3 陳倩;多生物特征融合身份識別研究[D];浙江大學(xué);2007年

4 蒲曉蓉;多模態(tài)生物特征融合的神經(jīng)網(wǎng)絡(luò)方法[D];電子科技大學(xué);2007年

5 王志芳;基于感知信息的多模態(tài)生物特征融合技術(shù)研究[D];哈爾濱工業(yè)大學(xué);2009年

6 王楠;基于多視覺特征融合的后方車輛檢測技術(shù)研究[D];東北大學(xué)　;2009年

7 徐穎;基于特征融合與仿生模式的生物特征識別研究[D];華南理工大學(xué);2013年

8 樊國梁;基于多類特征融合的蛋白質(zhì)亞線粒體定位預(yù)測研究[D];內(nèi)蒙古大學(xué);2013年

9 劉金梅;多源遙感影像融合及其應(yīng)用研究[D];中國海洋大學(xué);2014年

10 張艷;基于柔性陣列 傳感器的足跡特征分析與應(yīng)用研究[D];安徽大學(xué);2015年

相關(guān)碩士學(xué)位論文 前10條

1 付艷紅;基于特征融合的人臉識別算法研究與實(shí)現(xiàn)[D];天津理工大學(xué);2015年

2 許超;基于特征融合與壓縮感知的實(shí)木地板缺陷檢測方法研究[D];東北林業(yè)大學(xué);2015年

3 楊文婷;基于微博的情感分析算法研究與實(shí)現(xiàn)[D];西南交通大學(xué);2015年

4 梅尚健;基于特征融合的圖像檢索研究與實(shí)現(xiàn)[D];西南交通大學(xué);2015年

5 王鵬飛;基于多慢特征融合的人體行為識別研究[D];西南大學(xué);2015年

6 丁倩;基于語音信息的多特征情緒識別算法研究[D];山東大學(xué);2015年

7 薛冰霞;基于多模特征融合的人體跌倒檢測算法研究[D];山東大學(xué);2015年

8 何樂樂;醫(yī)學(xué)圖像分類中的特征融合與特征學(xué)習(xí)研究[D];電子科技大學(xué);2015年

9 戴博;基于結(jié)構(gòu)復(fù)雜度特征融合的視覺注意模型研究及其應(yīng)用[D];復(fù)旦大學(xué);2014年

10 王寧;基于特征融合的人臉識別算法[D];東北大學(xué);2013年

，

本文編號：2142407