基于線性表示模型的人臉識別研究.pdf

1、目前常用的人臉識別算法以基于統(tǒng)計學習理論為主，這些算法在處理維度較低的人臉圖像時能取得不錯的效果。但是隨著高清攝像機的普及，更多的高維圖像不斷出現(xiàn)，傳統(tǒng)的算法在處理高維數(shù)據(jù)的時候存在著難以克服的缺陷，導致了這些算法很難處理現(xiàn)有的高維圖像數(shù)據(jù)。
　　壓縮感知理論為大數(shù)據(jù)從高維到低維的變換提供了一種新思路，也給人臉識別技術(shù)的發(fā)展指明了新的方向。最具代表性的是Wright等人提出的基于稀疏表示的分類算法(Sparse Represent

2、ation-base Classification，SRC)。SRC用已知訓練人臉圖像構(gòu)造訓練字典，再將待測試圖像與訓練字典結(jié)合起來構(gòu)成線性表示模型，然后根據(jù)線性表示模型的組合系數(shù)來對測試樣本進行重構(gòu)，根據(jù)重構(gòu)誤差進行分類識別。本文對線性表示模型在人臉識別中的應用進行研究，研究內(nèi)容可概括如下:
　　首先，對基于線性表示人臉識別方法當中人臉圖像的降維原理進行了研究，把降維方法分為基于訓練和非訓練兩個大類，并對常用的比較有代表性的幾種

3、降維方法進行了詳述。通過實驗分析了幾種降維方法在人臉識別中的效果。
　　其次，對四種非常重要的基于最小二乘線性表示模型進行了具體深入的研究，重點分析了每一種模型的求解過程，最后將幾種模型用到人臉識別中。實驗對比了四種模型在人臉識別中的性能，并分析了基于最小二乘線性表示模型在殘差處理時的不足。
　　最后，針對常用線性表示模型需要對線性表示殘差進行極大似然估計，提出了一種基于非殘差估計的線性表示模型Dantzig Selecto