基于SPAMS和GPCA人脸识别算法研究.docVIP

基于SPAMS和GPCA人脸识别算法研究 　　【摘 要】人脸识别是近年来模式识别图像处理，机器视觉，神经网络以及认知科学等诸多领域的热点课题之一，本文主要是基于GPCA（广义主成分分析方法），对经传感器采集得到的一系列尺寸相同的人脸图像进行识别研究以及理论探讨。针对常用人脸识别方法的弊端和不易操作性，运用SPAMS 工具包（Sparse Modeling Software toolbox），研究图像的降维稀疏表示。 　　【关键词】人脸识别；广义主成分分析；稀疏表示 　　1. 引言 　　随着安全入口控制和金融贸易方面应用需要的快速增长以及各方面对于快速有效的自动身份验证的迫切要求，生物统计识别技术得到了新的重视，而人脸识别是所有的生物识别方法中应用最广泛的技术之一，目前国内外研究也取得了一定的进展， 综合有关文献[1][2]，目前国外人脸识别的方法主要集中在以下几个方面： 　　（1） 模板匹配的方法 　　（2） 示例学习的方法 　　（3） 神经网络的方法 　　（4） 基于隐马尔可夫模型的方法 　　除此以外，基于Ada Boost的人脸识别算法，基于彩色信息的方法，基于形状分析的方法，以及多模态信息融合的方法，国外都进行了大量的研究与实验。 　　国内的研究工作主要是集中在三大类方法的研究：基于几何特征的人脸正面自动识别方法、基于代数特征的人脸正面自动识别方法和基于连接机制的人脸正面自动识别方法。 　　总之，采用人脸识别技术，建立自动人脸识别系统，用计算机实现对人脸图像的自动识别有着广阔的应用领域和诱人的应用前景。 　　在上述研究基础上，本文主要对基于广义主成分分析的人脸识别算法进行研究，并结合在SPAMS工具包下对图像进行稀疏处理，其中稀疏表示是特色。主要内容是信号稀疏表示以及matlab稀疏工具包SPAMS的简要介绍和应用，包括识别过程中所需要的基本图像处理技术，并阐述在此基础上和GPCA技术结合的人脸识别算法流程。 　　2. 基于SPAMS图像稀疏表示 　　每个大小为w×h 的图像可看作M维空间的一个点，M=w×h，同一个面孔的不同亮度和表情被表示到M维空间中的低维线性子空间，称为脸子空间。 　　我们定义ni个图片，向量vi，1，vi，2，…，vi，ni∈Rm并假设这些向量足以包含i系列的脸子空间，任何关于相同目标的新的训练图像，即为向量y∈Rm，y可以表示如下： 　　（1） 　　其中αi，1是实标量，将所有ni相加得n=n1+n2+…+nk，作为向量A的n列： 　　（2） 　　理想的y（关于i）可以用A表示为： 　　Y=Ax0 ∈Rm （3） 　　其中：x0=[0， …，0，αi，1， αi，2， …， αi，n，0， …，0] T∈Rn （列向量）。X0是一个系数矩阵，其元素几乎是0，处理与i系列有关系的元素。我们得出如下简单的意见：一个有效地测试图像可以只用有相同变量的测试图像群充分表示出。如果变量的数目k大得合理，表示是自然稀疏的。 　　x0是一个系数矩阵，其元素几乎是0，处理与i系列有关系的元素。我们得出如下简单的意见：一个有效地测试图像可以只用有相同变量的测试图像群充分表示出。如果变量的数目k大得合理，表示是自然稀疏的。 　　如果system3（under-determined）（mn且A∈Rm×n），它的答案不唯一。通常解决办法由最小二乘法来选择。即： 　　（P2）min subject to y=Ax （4） 　　这里是范数的符号。 　　类似的，如果system3（over-determined）（mn），通常通过最小化找到最小二乘法解决办法。然而，这种方法不能定位识别问题中的如下两种重要性质。 　　1）数据维数很高。 　　2）理想的解答是稀疏的：x0中非0元素所占比例只是。 　　为了解决上面的问题，我们寻找的方法能够：（1）使维数m降低到d 且d≤m ；（2）明确计算y在低维空间中的稀疏矩阵表示。如果这两个目标都能完成，我们将会看到适当的加强稀疏可以使结果更少地依赖于维数低的细节（过程）。 　　在数据库里，大维数缩减方法常被用于映射高维人脸图像到低维特征空间，已有一类方法能提取所有面部特征，例如特征脸方法，费舍尔脸方法等，从图像空间到特征空间的映射可以表示为：矩阵，d≤m。将等式（3）两边同乘以R可得： 　　（5） 　　映射后，特征空间的维数d通常比n小。因此，等式（5）所表示的系统是under-determined，x的解也不是唯一的。然而，理想中的x0应该是稀疏的，在不严格的条件下，系统的方程的最稀疏解确实是唯一的。也就是说，理想中的x0是如下最优化问题的唯一解： 　　（P0） min subject to （6） 　　解决（P0）是N