稀疏表示和鉴别分析技术在人脸识别中的应用研究-application of sparse representation and discriminant analysis in face recognition.docxVIP

I I 南京邮电大学硕士研究生学位论文 摘要 摘 要 本论文以人脸识别为主要背景，研究了两方面内容。一是当前热门的稀疏表示技术在 人脸识别中的应用，二是经典的代数特征提取方法—鉴别分析技术及其扩展。 稀疏表示技术源于信号处理领域，其基本思想是从大量基信号中挑取少量来线性重构 目标信号以获取更高压缩率。过去三年，借鉴稀疏表示的思想，人们提出了全新的人脸识 别框架。本文研究并丰富了稀疏表示在人脸分类和人脸特征提取中的应用。当前基于稀疏 表示的人脸分类方法没有充分利用稀疏表示的特性。本文 2.1 节从分类的角度探讨了稀疏 表示的可理解性，引入了一种高可理解性的混合稀疏表示用于人脸识别，并提出一种更简 单和直观的分类法则。特征提取方面，当前基于稀疏表示的特征提取技术没有考虑不同类 别的样本间表示能力的差异。本文 2.2 节考虑这样一个假设，即同类样本间能力强而异类 样本间表示能力弱，并基于此提出一个新的投影法则：在全局稀疏表示中，同类样本间的 表示误差最小化，而异类样本间的表示误差最大化。 本文第三章研究了鉴别分析技术及其在不同问题背景下的扩展。鉴别分析是一种经典 的人脸代数特征提取方法，它的目标是通过线性投影变换，提取鉴别特征。本文从以下两 方面对其进行了扩展：1）在 3.2 节中，我们尝试解决在基于类特定的鉴别分析方法中出 现的类不平衡问题。我们提出首先从大类中选取离小类最近的一个子集，再将该子集细划 成若干小类，以获得类间平衡，再提取特征。2）本文 3.3 节提出了一种新的基于人脸和 掌纹的双模态生物特征识别方法。以往方法中，不同模态的样本在不同特征空间进行特征 提取；而本文提出，将两种模态的样本置于同一特征空间进行特征提取。由于此时同一人 的所有生物特征呈现出多高斯分布，我们使用子类鉴别分析技术从训练样本集中提取特 征。 本文所提方法均在人脸库和物体库上进行了实验验证，证明了它们的有效性。 关键词： 人脸识别，鉴别分析，稀疏表示，特征提取，特征分类 II II 南京邮电大学硕士研究生学位论文 摘要 Abstract This thesis studies and enriches two topics in face recognition, i.e., the application of sparse representation techniques in face recognition, and linear discriminant anlaysis and its extensions for various applications. Sparse representation technique stems from the signal processing community, whose basic idea is to select from a large number of elementary signals to linearly reconstruct a target signal, in order to achieve low compression rate. For the past three years, this idea has been employed to do face recognition and brought to it a breakthrough, as well as new challenges. In this thesis, we study and enrich the applications of sparse representation in face classification and feature extraction. Current sparse representation (SR) based classification schemes does not take full advantage of the property of SR. In section 2.1, we discuss the interpretation of SR from the perspective of classificaiton, novely introduce a intepretable SR, i.e., fused SR, to do face recognition, and design a simple but effective classification rule. Regarding feature extraction, current methods do not consider the di