基于SRM方法的人脸识别研究-计算机技术专业论文.docxVIP

Classified Index: TP391.41 U.D.C: 004.93 Dissertation for the Master’s Degree of Engineering FACE RECOGNITION RESEARCH BASED ON SRM Candidate： Yu Liang Supervisor： Prof. Xu Yong Asst. Supervisor: Senior Engineer Liu Dongjiang Academic Degree Applied for： Master of Engineering Specialty： Computer Technology Affiliation： FOXCONN Technology Group Date of Defence： December, 2012 Degree-Conferring-Institution： Harbin Institute of Technology 摘 要 人脸识别起源于模式识别，是图像处理中的热门研究方向，经过几十年的 研究，取得了显着的成就，在诸多领域都有重要的应用。在现有的大多数人脸 识别研究中，能否进行有效的特征抽取并进行线性变换是影响人脸图像识别效 率的一个重要因素。究竟哪种特征提取方法是最优选择尚未出现定论。而基于 信号统计领域的稀疏描述方法（Sparse Representation Method, SRM）提供了一 种新的思路，绕开线性特征抽取这一步骤，采用图库中的训练样本的线性组合 来描述测试图像，然后使用最近子空间（Nearest Subspace, NS）方法对测试图 像分类，以此完成对人脸图像的识别。SRM 认为构造鲁棒的分类器比选择何种 特征抽取方法对于人脸识别系统更为重要。SRM 方法有创新之处，也有其劣势， 它的算法需经过多步迭代才能完成 l1 范数的求解，其计算复杂度高。本文将在 稀疏描述方法的基础上，提供几种具有较低计算复杂度的改进算法，并通过人 脸识别实验以检验改进算法的识别率。 SRM 方法的算法难度在于，如何求解图库中训练样本的线性表达式最稀疏 的的分解系数，亦即：对测试样本进行分类将产生大量的计算。在本文中，基 于构造简化的分类器和考虑实际应用中的因素，我们设计了四套稀疏描述方法 的改进算法。改进算法包括：使用样本均值建立稀疏表达式，在样本中增加均 值脸，引入其它识别方案作为预处理步骤，构造虚拟训练样本。我们在目前主 流的人脸图像数据库（ORL, YALE, AR）上进行实验，并选用不同数量训练样 本和测试样本来检测新方法的可靠性。实验过程在 MATLAB 开发环境中完成。 经统计实验结果，所有四个实验方案都能取得满意的识别率，同流行的人 脸识别方案相比，本文所提供方案的识别率优于后者，特定条件下可达 10%以 上的提高。 关键词：人脸识别；稀疏描述方法；改进算法；识别率 Abstract Face recognition (FR) is origined from pattern recognition, a hot research topic in image processing area. After several decades of study, FR has achieved a lot goals and rooted in many fields. In most current reasearches one of the important issues which affect FR accuracy is feature extraction, which is mostly done through linear transformation. Optimal feature extraction remains to be a tricky question for researchers. However, based on signal statistics, the Sparse Representation Method (SRM) provides a novel solution. It exploits a linear combination of the training samples to represent test samples and uses NS principle to classify test images, regardless of feature extraction. Accoding to SRM, to build a robust classifier is much more