基于稀疏表示與鑒別分析算法的人臉圖像分類研究.pdf

1、人臉識別技術(shù)是生物識別領(lǐng)域的一個(gè)重要分支，人類面部的高維數(shù)據(jù)信息足以支撐有效的個(gè)人身份驗(yàn)證。因此近幾十年來，針對人臉信息的研究和應(yīng)用層出不窮。相繼提出了一系列不同的特征提取和分類算法，并取得了良好的效果。本文以二維人臉圖像作為研究對象，對線性鑒別分析和基于稀疏表示的分類(Sparse Representation-based Classification，SRC)框架算法進(jìn)行相關(guān)研究。
　　在SRC框架中，人臉圖像被直接當(dāng)作字典，

2、測試樣本被表示為所有訓(xùn)練樣本的線性組合。理想的分解系數(shù)是:真實(shí)類別的分解系數(shù)非零而其余類別的系數(shù)都為零。但是由于面部圖像組成的字典并不嚴(yán)格滿足稀疏分解的條件，再加上入臉對齊、采樣誤差和噪聲等等因素的影響，得到的分解系數(shù)并不是嚴(yán)格稀疏的。所以字典的優(yōu)化、分解系數(shù)計(jì)算方式的改變以及字典的淘汰策略都是本文研究的方向和重點(diǎn)。此外，通過深入研究線性鑒別分析(Linear Discriminant Analysis，LDA)的框架，發(fā)現(xiàn)在原始的模糊

3、鑒別分析算法的散布矩陣定義的步驟中，每一個(gè)樣本的隸屬度信息對于散布矩陣所做的貢獻(xiàn)并沒有被體現(xiàn)出來。針對此情況，將每一個(gè)樣本的隸屬度，根據(jù)它對散布矩陣重定義所做的貢獻(xiàn)重新融入到特征抽取的過程中，從而得到了完整有效的模糊樣本特征向量集。
　　本文取得的主要研究成果和創(chuàng)新點(diǎn)包括:
　　(1)將層次多尺度局部模式特征(Local Binary Patterns，LBP)和類別剔除策略引入SRC框架，并且在稀疏系數(shù)分解的過程中使用貪婪

4、搜索的方法獲得解空間。原始的SRC框架將人臉圖像直接用作訓(xùn)練字典，并沒有使用特征向量代替原始的人臉圖像的特征。局部特征(Local Patterns)因?yàn)槠溆?jì)算的簡便性和處理的有效性，一直都被用于紋理分類中，在這里我們首先提取原始人臉圖像的層次多尺度的LBP特征，相比較于傳統(tǒng)的LBP特征，層次多尺度的LBP特征充分挖掘非均勻的二值化模式，試圖尋找面部特征更多的鑒別性信息。此外，我們還設(shè)計(jì)了迭代循環(huán)剔除類別的方式，來確定最終的線性表示的系

5、數(shù)，旨在找到最優(yōu)的線性組合來重構(gòu)測試樣本并完成分類。在ORL、FERET和AR三個(gè)人臉數(shù)據(jù)庫上，提出算法的識別率可比其余的基于表示的分類算法至少提高2個(gè)百分點(diǎn)，進(jìn)而驗(yàn)證了算法的有效性。
　　(2)在SRC的分類框架中，通過構(gòu)造虛擬樣本的方式來獲得額外的訓(xùn)練樣本，并提高分類精度。在本文中使用的三種構(gòu)造虛擬訓(xùn)練樣本的方式:原始訓(xùn)練樣本的鏡像文件、原始訓(xùn)練樣本間的加權(quán)平均樣本以及三維形變模型生成的虛擬樣本。在虛擬樣本中，使用局部算子獲得

6、圖像的層次多尺度的局部特征描述，為了加快計(jì)算速度和減少特征向量的維數(shù)，使用主成分分析(Principal Component Analysis，PCA)的方法對特征向量做降維處理。虛擬樣本可以模擬真實(shí)樣本的可能的變化和趨勢，但是并不能保證所有樣本都會對最終的分類起到積極的作用，所以在評價(jià)每個(gè)類別的樣本在重構(gòu)測試樣本的能力的時(shí)候，首先剔除一部分距離測試樣本較遠(yuǎn)的離群樣本。這樣才能突出真實(shí)類別的樣本的貢獻(xiàn)程度，保證分類的質(zhì)量。相比較于迭代循

7、環(huán)剔除類別的方式，我們設(shè)計(jì)了一次性剔除若干訓(xùn)練樣本的方式，在提高運(yùn)算速度的同時(shí)仍可以保留一定比例的原始和虛擬混合訓(xùn)練樣本來線性表示測試樣本。在實(shí)驗(yàn)部分，通過對比加入虛擬樣本和不加入虛擬樣本的結(jié)果，印證了虛擬樣本的有效性。
　　(3)擴(kuò)展局部二值模式(Local Binary Patterns，LBP)到廣義的多尺度局部量化模式(Local Quantized Patterns，LQP)來提取圖像的特征，并應(yīng)用在SRC的分類框架中。

8、二值局部模式的編碼方式嚴(yán)重限制了可以使用的模式的形狀和尺寸，并且依賴于非常粗糙的定性灰度值進(jìn)行比較。在LQP中，通過改變不同的形狀和引入更多的像素，使得局部特征更加有效。在這里，我們將人臉圖像分成高分辨率、中分辨率和低分辨率三個(gè)尺度，并在每個(gè)尺度中提取LQP特征，替代原始的人臉圖像，作為SRC框架中的樣本字典。
　　(4)在處理彩色圖像的時(shí)候，使用四元數(shù)的方式來存儲和表示彩色像素的RGB值，四元數(shù)可以將彩色像素的三個(gè)分量簡單地表示

9、為一個(gè)“數(shù)”的形式，進(jìn)而彩色圖像可以被表示為四元數(shù)矩陣的形式參與運(yùn)算。本文采用線性判別分析的算法，將四元數(shù)矩陣變換到低維四元數(shù)子空問，并且在這個(gè)低維空間中進(jìn)行分類。傳統(tǒng)的針對彩色圖像的處理方法是處理灰度圖像或是將RGB彩色圖像轉(zhuǎn)化為HIS顏色空間而只處理強(qiáng)度信息。當(dāng)然也可以將彩色圖像分別在各個(gè)顏色通道中分別作處理并融合最終的結(jié)果。在我們的試驗(yàn)中，在GT彩色數(shù)據(jù)庫中12個(gè)訓(xùn)練樣本的情況下，我們的四元數(shù)LDA的方法的識別率達(dá)到80.7％。<