本文關(guān)鍵詞：基于壓縮感知的人臉識別方法研究，由筆耕文化傳播整理發(fā)布。

【摘要】：壓縮感知理論是近年來信號處理領(lǐng)域的國際熱點問題之一,它的研究已滲透到數(shù)學(xué)和諸多工程科學(xué)領(lǐng)域。其中,基于稀疏表示的人臉識別是壓縮感知理論應(yīng)用的一個備受關(guān)注的課題,其核心技術(shù)是假設(shè)測試圖像能夠被所有訓(xùn)練圖像稀疏地線性表示,通過凸優(yōu)化技術(shù)求解其稀疏表示系數(shù),最后根據(jù)重構(gòu)殘差完成人臉圖像的準確分類。它能夠有效地改善人臉識別算法的魯棒性,為人臉識別問題的研究提供了嶄新的研究視角。本課題從基于稀疏表示的人臉識別入手,針對如何改善現(xiàn)有算法的魯棒性和有效性問題進行了深入的探討,以期望提出的算法在實際問題中有所應(yīng)用。本文的研究工作主要概括如下：1.提出了基于二維圖像特征矩陣的稀疏表示人臉識別算法。從二維人臉圖像上進行二維特征提取,然后直接求解在二維特征矩陣下的稀疏表示系數(shù),最后估計最小重構(gòu)殘差完成人臉圖像的識別,整個過程都不需要將二維矩陣轉(zhuǎn)換為列向量。與現(xiàn)有的人臉識別算法相比,提出的算法既保留了原有二維矩陣中元素間的局部關(guān)聯(lián)信息,又大大降低了求解f,-范數(shù)最小化問題的計算復(fù)雜度。針對人臉圖像被連續(xù)區(qū)域遮擋的問題進行進一步探討,采取分塊處理策略,并構(gòu)造了有效塊判別函數(shù),最終融合有效塊上的分類結(jié)果完成人臉識別。實驗結(jié)果展示,提出的算法在識別準確率和計算效率方面比一維特征的稀疏表示方法都有明顯的改善。2.針對訓(xùn)練圖像和測試圖像同時被噪聲干擾的人臉識別問題,提出了基于兩階段稀疏表示的人臉識別算法。首先,訓(xùn)練圖像中的干擾噪聲通過低秩矩陣恢復(fù)模型被有效地移除。然后,充分利用從訓(xùn)練圖像中移除的干擾噪聲去擴充訓(xùn)練圖像矩陣,提出了擴展的f,-范數(shù)最小化問題,利用求解這個最優(yōu)化問題得到的第一階段稀疏表示系數(shù)來有效地移除測試圖像中的噪聲。最后,在去噪后的人臉圖像上再進行特征提取,通過在特征空間求解的第二階段稀疏表示系數(shù)完成分類。對噪聲敏感的特征提取技術(shù)因為被執(zhí)行在去噪后的圖像上而可以發(fā)揮其應(yīng)有的性能。一方面,提出的算法對特征維數(shù)魯棒,即利用更低維的特征維數(shù)可以達到與高維特征相近的識別準確率；另一方面,提出的算法對噪聲干擾強度魯棒,即提出的算法性能不會隨著噪聲干擾強度的增強而出現(xiàn)明顯的波動。3.針對現(xiàn)有圖像集人臉識別算法魯棒性差的問題,提出了基于擴展低秩恢復(fù)和聯(lián)合表示的圖像集人臉識別算法,該算法能夠有效地改善測試人臉圖像集被噪聲嚴重干擾的情況。首先,構(gòu)造一個擴展的低秩矩陣恢復(fù)模型,它可以有效地移除測試人臉圖像集中的干擾噪聲,重建秩為1的測試人臉圖像集。其次,對于大型的訓(xùn)練人臉圖像集學(xué)習(xí)一個壓縮的非相干字典,在提高運算效率的同時也能夠增強分類能力。最后,從重建的秩1測試集中任意選擇一幀人臉圖像代替整個測試圖像集合去完成最終的分類,進一步提高了計算效率。實驗結(jié)果表明了提出的算法比已有的圖像集人臉識別算法更加魯棒且計算復(fù)雜度更低。
【關(guān)鍵詞】：人臉識別 壓縮感知 稀疏表示 低秩恢復(fù) 魯棒性 有效性
【學(xué)位授予單位】：天津大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2015
【分類號】：TP391.41
【目錄】：

• 摘要4-6
• ABSTRACT6-11
• 第一章 緒論11-25
• 1.1 人臉識別研究背景和意義11-12
• 1.2 人臉識別研究狀況12-15
• 1.2.1 人臉識別發(fā)展12-13
• 1.2.2 人臉識別國內(nèi)外研究現(xiàn)狀13-15
• 1.2.3 人臉識別商業(yè)產(chǎn)品15
• 1.3 人臉識別系統(tǒng)15-17
• 1.4 人臉識別難點17-20
• 1.5 本文的主要工作20-22
• 1.6 本文的結(jié)構(gòu)安排22-25
• 第二章 研究基礎(chǔ)25-43
• 2.1 壓縮感知25-32
• 2.1.1 問題描述25-27
• 2.1.2 研究內(nèi)容27-30
• 2.1.3 壓縮感知應(yīng)用30-32
• 2.2 基于稀疏表示的人臉識別32-37
• 2.2.1 算法描述32-34
• 2.2.2 模型求解34-35
• 2.2.3 研究現(xiàn)狀35-37
• 2.3 基于低秩矩陣恢復(fù)的人臉識別37-41
• 2.3.1 問題描述37-38
• 2.3.2 模型求解38-40
• 2.3.3 研究現(xiàn)狀40-41
• 2.4 本章小結(jié)41-43
• 第三章 基于二維圖像特征矩陣稀疏表示的人臉識別43-57
• 3.1 引言43
• 3.2 人臉特征提取43-46
• 3.2.1 一維人臉特征提取43-45
• 3.2.2 二維人臉特征提取45-46
• 3.3 基于二維特征矩陣稀疏表示的人臉識別46-48
• 3.4 基于分塊二維圖像特征矩陣稀疏表示的人臉識別48-51
• 3.5 實驗驗證51-55
• 3.5.1 ORL人臉數(shù)據(jù)庫上的實驗51-53
• 3.5.2 Extended Yale B人臉數(shù)據(jù)庫上的實驗53-54
• 3.5.3 AR人臉數(shù)據(jù)庫上的實驗54-55
• 3.6 本章小結(jié)55-57
• 第四章 基于兩階段稀疏表示的人臉識別57-73
• 4.1 引言57-58
• 4.2 基于低秩矩陣恢復(fù)的訓(xùn)練圖像重建58
• 4.3 基于第一階段稀疏表示的測試圖像重建58-60
• 4.4 基于第二階段稀疏表示的分類60-62
• 4.5 與其他方法的討論62-64
• 4.5.1 對于TSSRC和LRR的討論63
• 4.5.2 對于TSSRC和ESRC的討論63-64
• 4.6 實驗驗證64-71
• 4.6.1 AR人臉數(shù)據(jù)庫上的實驗64-67
• 4.6.2 Extended Yale B人臉數(shù)據(jù)庫上的實驗67-71
• 4.7 本章小結(jié)71-73
• 第五章 基于低秩恢復(fù)和聯(lián)合表示的圖像集人臉識別73-89
• 5.1 引言73-74
• 5.2 基于擴展的低秩矩陣恢復(fù)的測試圖像集重建74-78
• 5.3 基于聯(lián)合表示的非相干字典學(xué)習(xí)78-80
• 5.4 基于聯(lián)合表示的分類80
• 5.5 實驗驗證80-84
• 5.5.1 參數(shù)設(shè)置81-82
• 5.5.2 Honda/UCSD人臉數(shù)據(jù)庫上的實驗82-83
• 5.5.3 YouTube Celebrities人臉數(shù)據(jù)庫上的實驗83-84
• 5.6 本章小結(jié)84-89
• 第六章 總結(jié)與展望89-93
• 6.1 本文工作總結(jié)89-90
• 6.2 進一步工作展望90-93
• 參考文獻93-105
• 發(fā)表論文和參加科研情況說明105-107
• 致謝107-108

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前2條

1 石光明;劉丹華;高大化;劉哲;林杰;王良君;;壓縮感知理論及其研究進展[J];電子學(xué)報;2009年05期

2 孫玉寶;肖亮;韋志輝;邵文澤;;基于Gabor感知多成份字典的圖像稀疏表示算法研究[J];自動化學(xué)報;2008年11期

  本文關(guān)鍵詞：基于壓縮感知的人臉識別方法研究，，由筆耕文化傳播整理發(fā)布。

本文編號：341774