外文翻譯---人臉識(shí)別的魯棒回歸問(wèn)題（譯文）

1、華中農(nóng)業(yè)大學(xué)本科畢業(yè)論文（或設(shè)計(jì)）外文翻譯1人臉識(shí)別的魯棒回歸問(wèn)題□□原文來(lái)源：Imran Naseema, Roberto Togneri, Mohammed Bennamoun．Robust regression for face recognition．1 前言隨著安全威脅逐漸增加，更加突顯出在一些敏感設(shè)施中安裝高效可靠的鑒別系統(tǒng)的重要性。在這方面，生物識(shí)別技術(shù)已經(jīng)表現(xiàn)出了良好的性能。相比于其他可利用的生物特征，如語(yǔ)音、虹膜、指紋

2、、掌型和步態(tài)，臉部似乎是最自然的選擇。首先，它是非侵入性的，需要用戶(hù)的合作，而且廉宜實(shí)現(xiàn)。臉部識(shí)別廣泛使用于在視頻監(jiān)控中用來(lái)鎖定犯罪嫌疑人，也突顯出了它的重要性。隨著多媒體型號(hào)傳輸和加工在近幾年來(lái)的發(fā)展，我們見(jiàn)證了人臉識(shí)別的許多新興應(yīng)用，例如，通過(guò)互聯(lián)網(wǎng)進(jìn)行人臉識(shí)別，正成為一個(gè)最新的應(yīng)用。然而,這些相對(duì)較新的應(yīng)用往往同樣意味著魯棒性問(wèn)題。盡管人臉識(shí)別測(cè)試是在一個(gè)離線(xiàn)控制的實(shí)驗(yàn)室環(huán)境，但是由于環(huán)境亮度、傳感器故障、信道噪聲、在網(wǎng)絡(luò)媒體壓縮

3、噪聲等原因，探測(cè)器圖像總是容易變形。一般而言，人臉識(shí)別系統(tǒng)批判地依靠流形學(xué)習(xí)方法。一個(gè)灰度人臉圖像的矩陣可表示為原始圖像空間中的一個(gè)AxB維的向量。通常，在模式識(shí)別問(wèn)題中，普遍認(rèn)為高維數(shù)據(jù)向量是冗余測(cè)量值的潛在來(lái)源。流形學(xué)習(xí)的目的是通過(guò)一種從高維數(shù)據(jù)向低維數(shù)據(jù)適當(dāng)?shù)霓D(zhuǎn)變方法，揭示這種所謂的“潛在來(lái)源” 。因此,在特征提取階段，面部空間的圖像要轉(zhuǎn)化成低維數(shù)據(jù)向量，主要的目標(biāo)就是找到一個(gè)進(jìn)行轉(zhuǎn)化的基函數(shù)，能夠區(qū)分面部空間的代表性面部。然而，

4、由于噪聲的存在，這是一個(gè)極富挑戰(zhàn)性的任務(wù)。有編碼理論指出，迭代測(cè)量可以安全地修復(fù)存在噪聲的信息。因此，在低維特征空間中維護(hù)外貌的魯棒性實(shí)際上是目標(biāo)識(shí)別中一個(gè)急切的問(wèn)題，文獻(xiàn)中稱(chēng)這些方法為降維。聯(lián)系到關(guān)于魯棒性的語(yǔ)境，這些方法被廣泛地分為兩大類(lèi)，即重構(gòu)和可識(shí)別性方法。重構(gòu)方法（如PCA、ICA和NMF）據(jù)稱(chēng)與丟失和污染的像素有關(guān)，這些方法本質(zhì)上是利用視覺(jué)冗余數(shù)據(jù)生產(chǎn)足夠的重構(gòu)性能表現(xiàn)。形式上，給一個(gè)輸出x和一個(gè)標(biāo)簽y，生成分類(lèi)器會(huì)學(xué)習(xí)聯(lián)合

5、概率p（x,y）和條件概率p（x|y）的模型，這種定義使用了貝葉斯定理。另一方面，我們已知可識(shí)別性方法（如LDA）由于決策界限的靈活性，在“干凈”的條件下具有更好的效果，而確定最優(yōu)決策的界限取決于使用直接來(lái)源于數(shù)據(jù)的p（x|y） ，因此其對(duì)異常值更加敏感。同傳統(tǒng)的方法相比，它最近還被證實(shí)有許多獨(dú)特的特點(diǎn)，如圖像下采樣和隨機(jī)投影一樣可以處理得很好。事實(shí)上,選擇的特征空間可能不再是那么重要，真正重要的是特征空間的華中農(nóng)業(yè)大學(xué)本科畢業(yè)論文（或

6、設(shè)計(jì)）外文翻譯3致高故障點(diǎn)。大多數(shù)的魯棒學(xué)習(xí)方法是基于通過(guò)替換傳統(tǒng)位置適應(yīng)判別模式和魯棒副本適應(yīng)散射矩陣估計(jì)，如 MVE 微小量估計(jì)及投影尋蹤方法等。已經(jīng)提出的某些魯棒的變體生成方法是使用魯棒度量，而不是標(biāo)準(zhǔn)的最小二乘法計(jì)算。人臉識(shí)別的魯棒性問(wèn)題中的一個(gè)重要措施是通過(guò)引入一個(gè)假設(shè)和測(cè)試范式改進(jìn)傳統(tǒng)的特征空間方法的學(xué)習(xí)過(guò)程。從根本上說(shuō)，工作在像素點(diǎn)子集和的二次抽樣一旦被引入，就會(huì)由魯棒解的一組線(xiàn)性方程產(chǎn)生一種假說(shuō)。基于最小描述長(zhǎng)度（MDL

7、）的原則，我們進(jìn)一步選擇不相容的假說(shuō)來(lái)確定的特征空間系數(shù)。最近所提出的一個(gè)更加復(fù)雜的方法在本質(zhì)上是結(jié)合可識(shí)別性方法和重構(gòu)方法來(lái)構(gòu)造一個(gè)子空間，其同時(shí)具有兩種方法的可識(shí)別能力和重構(gòu)性質(zhì)。這就提出了一個(gè)重要的相關(guān)工作，即在生成概率成像模型時(shí)，建立 out-lier 和 in-lier 過(guò)程。這項(xiàng)任務(wù)對(duì)于人臉識(shí)別被表示為最大后驗(yàn)（MAP）估計(jì)問(wèn)題，該方法應(yīng)用于連續(xù)閉塞問(wèn)題。據(jù)我們所知，這是第一次將隨機(jī)丟失或破壞的像素問(wèn)題轉(zhuǎn)化為一個(gè)線(xiàn)性魯棒回歸

8、的任務(wù)。全文的結(jié)構(gòu)安排是這樣的：第二部分討論了最基本的魯棒估計(jì)問(wèn)題，第三部分描述了面部識(shí)別問(wèn)題，第四部分論證了本文提出的方法在劇烈光照變化條件下的有效性，第五部分演示了隨機(jī)污染像素的實(shí)驗(yàn)，最后一部分則對(duì)全文做了總結(jié)。2 魯棒估計(jì)問(wèn)題考慮一個(gè)線(xiàn)性問(wèn)題e y ? ? ? X（1）其中，應(yīng)變量 y∈Rq×1,回歸變量 X∈Rq×p，未知參數(shù) β∈Rp×1，誤差項(xiàng) e∈Rq×1。魯棒估計(jì)問(wèn)題就是估計(jì)未知參