基于單演特征和遮擋字典的稀疏表示人臉識(shí)別研究.pdf

1、在計(jì)算機(jī)視覺(jué)、機(jī)器學(xué)習(xí)及生物識(shí)別技術(shù)中，自動(dòng)人臉識(shí)別技術(shù)是最具有挑戰(zhàn)的研究之一。盡管人臉識(shí)別在最近幾十年已經(jīng)被廣泛研究，且很多經(jīng)典的人臉特征提取和分類(lèi)方法被提出，包括子空間學(xué)習(xí)的Eigenface、Fisherface、Laplacianfaces，基于Gabor特征的分類(lèi)，以及具有機(jī)器學(xué)習(xí)功能的SVM等。但由于受遮擋、姿態(tài)變化和光照等影響，其識(shí)別性能依然受到很大的限制。因此在真實(shí)情況下提高人臉識(shí)別的魯棒性仍有必要。
　　2008

2、年， John Wright等人首次將稀疏表示引入到人臉識(shí)別中，提出了SRC(Sparse Representation based Classification)方法。該方法是將訓(xùn)練樣本作為字典，通過(guò)l1模最小化技術(shù)得到待識(shí)別圖像在字典上的稀疏表示系數(shù)，并求解最小殘差來(lái)進(jìn)行識(shí)別。SRC方法給人臉識(shí)別提供新的研究方向，由此本文對(duì)稀疏表示人臉識(shí)別進(jìn)行了研究。針對(duì)圖像的光照和遮擋問(wèn)題，重點(diǎn)研究了如何提取較好的局部特征和構(gòu)造合理的遮擋字典兩個(gè)

3、部分。論文的主要工作及研究?jī)?nèi)容包括:
　　1)使用SRC方法進(jìn)行人臉識(shí)別時(shí)，為了使得表示系數(shù)矢量具有更為顯著的稀疏性，受到GSRC(Gabor Feature based Sparse Repreentation Classification)算法的啟發(fā)，本文將單演特征這種局部特征引入到稀疏表示分類(lèi)中，提出了基于單演特征的稀疏表示分類(lèi)方法，即MSRC(Monogenic Feature based SparseRepresenta

4、tion Classification)。由于單演特征能夠提取圖像的能量特征、結(jié)構(gòu)特征和幾何特征，提取的圖像信息比較全面，使用它作為特征對(duì)后續(xù)的稀疏表示分類(lèi)是比較有利的。在算法特征的處理時(shí)間上，相對(duì)于Gabor的多尺度和多方向，僅僅多尺度的單演特征能夠減少特征的處理時(shí)間。在A(yíng)R庫(kù)和Extend YaleB庫(kù)上分別進(jìn)行了實(shí)驗(yàn)，驗(yàn)證了所提算法的有效性。在A(yíng)R庫(kù)上，MSRC算法雖然最高識(shí)別率與GSRC一致，都為97.143％，但是整體平均識(shí)別

5、率高于GSRC。在ExtendYaleB庫(kù)上，MSRC最高識(shí)別率為98.918％，高于GSRC的96.543％。
　　2)對(duì)于待識(shí)別人臉出現(xiàn)損壞或遮擋時(shí)，考慮到遮擋的人臉往往可以認(rèn)為是原始人臉和遮擋誤差疊加而成，研究了含有遮擋字典的擴(kuò)展字典對(duì)識(shí)別性能的影響。重點(diǎn)研究了單位矩陣遮擋字典和Gabor遮擋字典?？紤]到擴(kuò)展字典的復(fù)雜性，使用壓縮傳感的理論去除遮擋區(qū)域，利用非遮擋區(qū)域作為字典進(jìn)行識(shí)別。在含有遮擋人臉的AR庫(kù)上進(jìn)行了實(shí)驗(yàn)，比較