基于低秩恢復和稀疏表示的人臉識別方法研究.pdf

1、人臉識別技術是目前模式識別領域的一個重要研究方向，因其非接觸性，易于接受，不易發(fā)現(xiàn)且識別率較高等優(yōu)點被廣泛地應用到社會各個領域?；趫D像稀疏表示的人臉識別方法是現(xiàn)階段計算機視覺和模式識別領域的一個研究熱點。然而現(xiàn)有的稀疏表示算法在訓練樣本圖像含有光照、表情、姿態(tài)、遮擋等誤差或被噪聲污染時識別率較低，并且在訓練樣本較少的情況下，分類器對測試樣本進行分類時極易出現(xiàn)異常值，進而降低了稀疏表示算法的識別性能。針對現(xiàn)有算法在樣本圖像受到噪聲污染和

2、訓練樣本數(shù)量較少的情況下識別率不高的問題，本文主要研究內容如下:
　　1)在訓練樣本圖像受到噪聲污染的情況下，針對SRC算法采用單位陣作為誤差字典不能很好地描述圖像的噪聲和誤差，本文采取低秩矩陣恢復(LR)算法把訓練樣本分解成一個低秩逼近矩陣和一個稀疏誤差矩陣，由低秩逼近矩陣和誤差矩陣組成一個過完備字典。求取測試樣本在該字典下的稀疏表示。基于測試樣本的最稀疏表示系數(shù)和字典，對測試樣本進行類關聯(lián)重構，并計算其類關聯(lián)重構誤差。最后，基

3、于類關聯(lián)重構誤差，完成測試樣本的分類識別。LR算法的優(yōu)越性在于不但可以解決人臉圖像受到噪聲污染的問題，而且還有效地解決了小樣本問題。
　　2) Gabor小波在不同方向和尺度上對圖像的表示特性與人類視覺系統(tǒng)的相關特性非常相似，因此，Gabor小波提取的圖像特征更加適用于圖像表示。在LR算法得到的誤差字典的基礎上，本文采用Gabor變換對每一個訓練樣本圖像及其對應的誤差圖像分別進行處理得到Gabor特征向量，用新得到Gabor特征向

4、量構成字典，該字典可以進一步的提高對測試樣本（經(jīng)過Gabor小波處理過的）的稀疏編碼能力。相似的，基于最稀疏編碼系數(shù)和Gabor字典重構測試樣本，進而完成測試樣本的分類。
　　3)在訓練樣本和測試樣本均受到噪聲污染的情況下，本文提出一種圖正規(guī)則化低秩恢復稀疏表示(CLRSRR)算法，該算法可以有效地從受噪聲污染的樣本圖像集中恢復出一個干凈的人臉圖像集和一個魯棒性很強的誤差字典，這個干凈的人臉圖像不但具有更強的判別信息，而且還可以保