稀疏表示及特征提取在人脸识别中的应用

论文摘要

人脸识别特指利用分析比较人脸视觉特征信息进行身份鉴别的计算机技术。人脸识别是模式识别、机器学习和计算机视觉领域最具挑战性的研究方向之一,是一个高维的模式识别问题。因此人们往往将人脸图像提取特征,在低维的子空间进行判别。到目前为止,各种特征提取的方法在人脸识别领域得到了广泛的应用。本文的工作涉及到人脸图像的特征提取和识别,主要的工作内容如下：Allen Y.Yang和Yi Ma等人结合压缩感知理论提出一种基于信号的稀疏表示的人脸识别新方法SRC（Sparse Representation-based Classification）,成功地将压缩感知中的稀疏表示理论应用于人脸识别。该方法通过对测试人脸图像进行稀疏表示,采用l1范数最小化算法求得最稀疏的系数解。直接使用SRC方法计算时间复杂度很大,需要对此提取人脸特征。本文将基于核Fisher（KFDA）的特征提取方法应用于SRC人脸识别模型,通过实验表明该方法具有较好的人脸识别效果。在实际应用中,大型的人脸数据库的类别数一般很多,很多有效地特征提取方法的识别能力也会伴随着类别数目的增加而显著下降。本文结合SRC算法提出一种基于分级策略的人脸识别新的分类器,该分类器不仅有效降低计算复杂度还能适用于多类别人脸识别情况。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 人脸识别研究背景
• 1.2 自动人脸识别过程
• 1.3 人脸识别技术研究的主要方法
• 1.3.1 人脸识别技术的基本方法
• 1.3.2 人脸识别中特征提取的基本方法
• 1.4 本文研究的内容和结构
• 第二章 基于稀疏表示的人脸识别方法
• 2.1 引言
• 2.2 稀疏表示理论
• 2.2.1 不相干性
• 2.2.2 信号的稀疏性
• 2.2.3 稀疏编码理论
• 2.3 基于稀疏表示的人脸识别模型
• 2.4 分类规则
• 2.5 本章小结
• 第三章 基于特征提取的稀疏表示人脸识别
• 3.1 引言
• 3.2 人脸特征提取方法概述及经典方法
• 3.2.1 人脸特征提取方法概述
• 3.2.2 人脸识别特征提取方法
• 3.3 基于核Fisher特征提取的稀疏表示人脸识别
• 3.3.1 核方法理论
• 3.3.2 基于稀疏表示的人脸识别算法复杂度分析
• 3.3.3 基于Fisher特征提取的稀疏表示人脸识别算法
• 3.3.4 基于随机投影的稀疏表示人脸识别
• 3.3.5 基于核Fisher特征提取的稀疏表示人脸识别算法
• 3.4 仿真实验及结果分析
• 3.4.1 Yale人脸库上的实验
• 3.4.2 ORL人脸库上的实验
• 3.5 本章小结
• 第四章 多级分类的稀疏表示人脸识别
• 4.1 引言
• 4.2 多级分类策略在SRC上的应用
• 4.3 算法流程
• 4.4 仿真实验与结果分析
• 4.5 本章小结
• 第五章 总结与展望
• 5.1 论文工作总结
• 5.2 进一步工作展望
• 致谢
• 参考文献
• 研究成果