基于重構(gòu)表示的人臉圖像表示與分類.pdf

1、近年來人們對信息安全越發(fā)重視，生物特性因其較強的穩(wěn)定性和獨特性，成為身份識別的熱門研究領(lǐng)域。而人臉識別作為生物特征識別的一個重要分支，長期以來受到研究者們的廣泛關(guān)注。在過去幾十年的研究中，眾多經(jīng)典算法被提出，如主成分分析法，F(xiàn)isher鑒別分析法等。此外隨著壓縮感知理論快速發(fā)展，稀疏表示方法因其優(yōu)異的識別效果被廣泛應(yīng)用于模式識別領(lǐng)域。當訓練樣本圖像是理想時，稀疏表示算法在光照變化，遮擋噪聲等情況下能夠取得非常好的效果。然而在實際環(huán)境中，

2、樣本分布常常存在較大差異，同時圖像采集也會受到各種因素干擾（如光照，姿態(tài)，遮罩等），如何減小分布差異和干擾因素對算法的影響是目前研究的重點。因此本文就基于重構(gòu)表示的人臉圖像表示與分類進行了深入研究。
　　1、基于非負稀疏低秩表示分類的人臉識別方法
　　本文提出一種基于非負稀疏低秩表示的分類方法(NSLRRC)用于魯棒人臉識別。NSLRRC目標是根據(jù)所有訓練樣本，找到一個稀疏且低秩的非負表示矩陣。稀疏約束使得表示向量具有鑒別能

3、力，低秩模型表現(xiàn)了數(shù)據(jù)的全局結(jié)構(gòu)，同時表示向量非負使得系數(shù)有意義并能更好體現(xiàn)數(shù)據(jù)點間的獨立性。然后基于得到的表示系數(shù)，對測試樣本進行重構(gòu)并計算重構(gòu)誤差，最后根據(jù)重構(gòu)誤差完成測試樣本的分類。在ORL人臉庫，AR人臉庫，Extended YaleB人臉庫上的實驗結(jié)果表明，基于NSLRRC的人臉識別方法具有較好的魯棒性和有效性。
　　2、基于字典學習的魯棒人臉識別算法
　　人臉圖片常常受到噪聲和遮罩的影響。基于稀疏表示的分類器被證

4、實對此類情況十分有效。但考慮到實際情況中，同類樣本間出現(xiàn)明顯差異時，稀疏表示方法效果顯著下降。針對上述情況，我們提出一種新的方法，通過不斷地迭代學習得到包含所有樣本有效信息的新字典，利用新字典計算測試樣本所屬類別。我們在GT人臉庫，AR人臉庫，CMU PIE人臉庫上驗證了該方法的有效性和魯棒性。實驗結(jié)果表明針對同類樣本存在明顯差異的情況，該方法能夠有效提高算法的識別率。
　　3、基于分段表示的人臉識別算法
　　在人臉識別研究

5、中，傳統(tǒng)的基于表示分類方法并沒有給出針對樣本噪聲或遮擋情況的處理機制。稀疏表示要求同類樣本處于同一線性子空間下，考慮到同類樣本間的分布差異，本文提出一種分段表示的分類方法。該方法將訓練樣本平均分為兩組，要求每組間樣本分布相似，并根據(jù)測試樣本與訓練樣本集間的“距離”分類。這樣盡可能減少樣本差異帶來的影響，有效地考慮了訓練樣本所包含的全部信息。在AR人臉庫和CMU PIE人臉庫中的實驗驗證了該算法的有效性和實用性。
　　4、基于樣本相

6、關(guān)性約束的線性回歸分類
　　現(xiàn)實世界中，每個人的人臉特征獨一無二，然而也存在某些相似臉。線性回歸分類方法中僅利用每類樣本分別線性表示測試樣本，未考慮重構(gòu)樣本間的相似度。通常我們希望測試樣本所在類重構(gòu)樣本與其他類重構(gòu)樣本相似度越小越好。于是本文提出一種改進的線性回歸分類模型用于人臉識別。該方法在線性回歸分類的基礎(chǔ)上，添加對重構(gòu)樣本相關(guān)性的約束，然后計算得新的表示系數(shù)，利用所得表示系數(shù)計算殘差并分類。在AR庫，GT庫，CMU PIE庫