稀疏框架下的人脸配准与识别研究 开题报告.docVIP

西 南 交 通 大 学 硕 士 研 究 生 选 题 报 告 姓 名 学 号 导师姓名 职 称 教授 副导师姓名 勋 职 称 副教授 专 业 信号与信息处理 研究方向 生物特征识别与身份认证 题 目 稀疏框架下的人脸配准与识别研究 2012年 12 月 10 日 （1）题的研究意义、国内外现状分析 1.1课题的意义 人脸识别作为一种重要的生物特征识别技术，利用人脸视觉特征信息来进行身份识别，具有其独特的意义。从研究角度来看，人脸识别涉及到计算机科学、图像处理、模式识别、机器视觉、人工智能、计算机图形学等相关学科。人脸识别为这些学科的理论和方法的应用提供了很好的研究方向。有助于这些学科的发展，并促进多学科的交叉融合。从应用角度来看，人脸识别作为一种新的身份认证技术，与传统的各种身份验证技术相比，人脸识别技术可以有效地防止身份验证信息被窃取、伪造、丢失等情况，是一种可靠性高、稳定性好、更加友好的身份验证技术。基于这些优势，人脸识别技术可以被广泛应用于国家公共安全、视频监控、人机交互等领域中，如犯罪嫌疑人的识别和跟踪、重要场所用户身份认证等。因此，人脸识别研究具有重要的学术研究价值和巨大的经济应用前景。 1.2国内外研究现状分析 从上世纪60年代起，人脸识别技术就引起了广大研究人员的注意，进入90年代以后，随着安全领域对人脸识别系统的迫切需求，这才使人脸识别的研究真正步入了快速发展的轨道。大量的人脸识别算法被提出，比较经典的有基于几何特征的方法[1] , 基于神经网络的方法[2],基于隐马尔可夫(Hidden Markov models, HMM) 模型的方法[3] ,基于小波变换(Wavelet Transformation ,WT)的方法[4] ，基于支持向量机(Support Vector Machine, SVM)的方法[5] ，局部特征分析(Local Feature Analysis, LFA）[6] ,以及基于线性子空间的方法如主成分分析（Principal Components Analysis，PCA）[7] 、独立成分分析(Independent Components Analysis ，ICA)[8] 、线性判别分析(Linear Discriminant Analysis，LDA)[9] ，尤其是PCA和LDA , 这两种方法被大量学者进行研究，后来大量的相关工作或多或少地也这两种方法有着一定的联系。文献[10, 11] 详细描述了上述方法的实现原理，这里就不予详述。 上述方法在研究和应用中取得了很好的效果,进入新世纪以来，大量的新的更加有效的方法被提出来。Timo Ahonen等人提出一种基于局部二值模式(Local Binary Pattern，LBP)[12] 的人脸识别新方法,他们将人脸图像划分为几个互不重叠的区域，利用 LBP 的局部特性和直方图方法的统计特性，一定程度上实现了局部特征与全局特征的结合。基于非线性子空间的方法也受到了研究者的广泛关注，如核方法，核方法的主要思想就是利用一个非线性映射，把原空间的数据映射到一个隐性高维特征空间，然后在这个 隐性特征空间中对数据进行分析。目前己经成功应用于人脸识别领域的有核主成分分析KPCA[13] 、核线性判别分析KLDA[14] 等方法。此外基于流行学习(Manifold Learning)[15] 的人脸识别方法是非线性方法的典型，如局部线性嵌入 (Locally Linear Embedding，LLE)和等距映射(Isometric Mapping，ISOMAP) [16] 。由于流形学习方法缺乏明晰的投影矩阵，因此文献[17] 提出了保局投影(Locality Preserving Projections, LPP), 并将其成功应用于人脸识别，即拉普拉斯脸(Laplacianface)[18]。 近些年来，Candes等人提出了压缩感知(Compressed Sensing, CS)理论，发表的文献[19-23] 详细讨论了信号的稀疏采样、表示和重建原理。2008年，J.Writht等[24] 结合压缩感知理论提出了基于稀疏表示的人脸识别