可見光-近紅外人臉識(shí)別方法的研究與實(shí)現(xiàn).pdf

1、人臉識(shí)別技術(shù)在計(jì)算機(jī)視覺和模式識(shí)別領(lǐng)域受到了越來越多的重視，逐漸成為了一個(gè)熱門話題?，F(xiàn)在，大多數(shù)的人臉圖像是在可見光的條件下拍攝的，而在可見光環(huán)境中，光照條件是多變而且復(fù)雜的。那么人臉識(shí)別的性能就受到了環(huán)境光照變化的影響，因此克服光照變化的影響成為了人臉識(shí)別領(lǐng)域的一個(gè)重要問題。由于近紅外光成像對(duì)光照變化的魯棒性，使得近紅外光成像技術(shù)在一定程度上解決了這個(gè)問題。在近紅外人臉識(shí)別應(yīng)用中要求注冊(cè)和檢測(cè)的人臉圖像都是在近紅外光照的條件下拍攝的，

2、而實(shí)際應(yīng)用中大量的人臉圖像采用可見光的條件拍攝，例如身份證照片等等。那么實(shí)現(xiàn)可見光人臉圖像和近紅外關(guān)人臉圖像的交叉注冊(cè)和驗(yàn)證便成為了一個(gè)問題。因?yàn)槌上竦姆绞讲煌敲赐粋€(gè)人的可見光圖像和近紅外圖像存在很多表觀上的差異。但是從人類認(rèn)知的角度講，它們應(yīng)該被識(shí)別為同一個(gè)人，這樣就意味著同一個(gè)人的可見光圖像和近紅外圖像存在著某種關(guān)聯(lián)。本文將從兩個(gè)方面出發(fā)，介紹提高可見光和近紅外人臉識(shí)別算法的性能。
　　本文主要有兩個(gè)關(guān)鍵點(diǎn):
　　

3、1.特征融合方法。在閱讀了大量文獻(xiàn)，做了大量相關(guān)實(shí)驗(yàn)后發(fā)現(xiàn)有三種特征在可見光/近紅外人臉識(shí)別方面有較好的性能，即SIFT特征、LBP特征和HOG特征。特征融合方法分為平行性和連續(xù)性特征融合，我們主要使用了帶權(quán)值的連續(xù)性特征融合算法將三種局部特征融合形成一個(gè)新的特征表示。根據(jù)實(shí)驗(yàn)驗(yàn)證，可以得出結(jié)論，使用特征融合算法將多個(gè)特征融合，其識(shí)別性能比單一特征的識(shí)別性能高。
　　2.基于ELM的多任務(wù)聚類算法。極限學(xué)習(xí)機(jī)（Extreme Le

4、arning Machine）是一種簡(jiǎn)單易用、有效的單隱層前饋神經(jīng)網(wǎng)絡(luò)SLFNs學(xué)習(xí)算法。多任務(wù)學(xué)習(xí)算法（Multitask Learning）研究是通過同時(shí)學(xué)習(xí)多個(gè)任務(wù)的機(jī)器學(xué)習(xí)算法。通過使用共同學(xué)習(xí)的方式取代原先常用的獨(dú)立學(xué)習(xí)思路。通過利用多個(gè)任務(wù)間的關(guān)聯(lián)性，挖掘多個(gè)任務(wù)所蘊(yùn)含的共性，而避免訓(xùn)練數(shù)據(jù)少而引起的欠擬合從而提高算法泛化性能。本文提出的算法是基于ELM映射的多任務(wù)學(xué)習(xí)，首先將原始數(shù)據(jù)通過ELM映射到低維空間，然后使用多任務(wù)