稀疏表示在人脸识别中的应用.pdfVIP

摘 要 摘 要 随着信息技术的发展和人们安全意识的增强，信息的安全和隐蔽性受到了越来越 多的关注。人脸识别作为生物特征识别技术之一，与其他生物特征识别技术相比具有 更便利、快捷、非侵犯性、交互性及强大的追踪能力等优点，已经受到各个领域科研 人员的广泛研究，并运用于刑事鉴定、门禁系统、检查考勤、智能监控、人机交互、 三维动画等方面。 本文对稀疏表示在人脸识别中的应用进行了研究，重点对基于稀疏表示的人脸识 别算法进行深入的分析，主要工作内容及创新点如下： 1．详细阐述了人脸识别的背景意义和发展现状，介绍了人脸识系统框架、影响 因素以及常用数据库，对稀疏表示算法的几种常见形式进行了总结，并对最经典的基 于稀疏表示人脸识别算法进行详细介绍，以及对该模型典型的求解方法——梯度投影 法、同伦算法、增广拉格朗日乘子法进行了深入研究，并将作为后续的对比算法。 2．针对鲁棒稀疏编码算法(RobustSparseCoding RSC)在姿态偏转、遮挡等环境 下，特征维数高、识别率较低等问题，结合对该环境下仍具有良好鲁棒性的Gabor 特征，提出了一种基于Gabor特征提取的改进的鲁棒稀疏编码算法(GaborRobust SparseCoding，GRSC)。首先对人脸图像进行分块处理；然后作多方向和多尺度的 Gabor特征提取并构造字典；接着用PCA特征脸法去除相关性和降低维数；最后用 加权迭代稀疏编码算法求解得到的最优稀疏系数进行判别归类。实验结果表明在姿态 偏转、尺度变化时具有显著的优势，同时有效的缩短了识别时间，是一种比较实用的 人脸识别方法。 3．针对人脸数据库巨大，采用全局搜索方式算法效率低的问题，结合线性回归 方法和协同表示的思想，提出了一种两阶段由粗到细的人脸识别算法——加速线性协 同表示算法（Accelerated Linear collaborative representation based classification， ALCRC)。首先，通过用线性回归LRC （Linear-RegressionbasedClassification）的分 类方法选择训练样本，从而构成下一步的候选人脸集，这将有效的减少训练集搜索空 CRC collaborativerepresentationbasedclassification 间；另外，用协同表示分类器 （ ） 对样本分类决策，即通过最小二乘法求得稀疏系数，然后重建测试样本并将得到的残 差进行归一化处理，最后用残差最小化准则进行判别归类。实验表明，ALCRC算法 在保证比较高的识别率前提下，同时有效提高了原算法效率。 关键词：人脸识别 压缩感知 稀疏表示 Gabor特征 线性回归 I Abstract Abstract With the development of the information technology and the progress of safety awareness securityandconcealmentofinformationhasreceivedmoreandmoreattention. Asoneofbiometricidentificationtechnologies itismoreconvenient non-invasive highly interactive and powerful traceability compared with others. Face recognition has been highlyconcernedbyresearchers fromvariousfields.Atthesametime itiswidelyapplied incriminalidentification accesscontrolsystems checkattendance intelligentmonitoring human-compu