基于遷移學習的單樣本人臉識別.pdf

1、單樣本人臉識別具有一定的難度和挑戰(zhàn)性。目前單樣本人臉識別方法普遍存在以下兩個問題:(1)識別率偏低。(2)計算量，數(shù)據(jù)量大，模型建立復雜。因此單樣本識別性能無法做到最好。
　　針對以上問題，本文基于稀疏表示分類框架，把遷移學習思想引入到單樣本人臉識別研究中并進行了大量實驗，為其他研究人員使用遷移學習和稀疏表示分類框架解決單樣本問題提供參考。主要研究內(nèi)容如下:
　　(1)從課題的研究背景和意義出發(fā)綜述了國內(nèi)外的研究歷史和現(xiàn)狀，

2、對比較經(jīng)典的幾類算法進行了綜述并指出了現(xiàn)有算法存在的不足。
　　(2)對遷移學習理論進行了相對詳盡的介紹，包括基本概念，以及生活中的遷移學習實例的闡述。介紹了遷移學習的研究歷史，并對現(xiàn)有的算法進行了簡單綜述。對遷移學習的應用以及未來的發(fā)展方向進行了展望。為文章后面將遷移學習理論引入單樣本人臉識別中做了鋪墊。研究了最能體現(xiàn)遷移學習思想的將遷移學習和adaboost算法相結(jié)合的基于實例的遷移學習算法，對算法原理和步驟進行了相對詳盡的闡

3、述。為研究人員理解遷移學習概念和tradaboost算法有指導意義，為后文遷移學習的引入做了鋪墊。
　　(3)通過對樣本擴充方法的研究把單樣本人臉識別問題轉(zhuǎn)化為多樣本人臉識別問題并結(jié)合稀疏表示分類識別方法進行識別，最終提高了單樣本條件下的識別正確率。在對樣本擴充方法研究時，本文闡述并對比了幾種基本的樣本擴充方法，如鏡像變換、滑動窗口等擴充方法。為第五章與引入遷移學習后的對比實驗做了鋪墊。
　　(4)研究了稀疏表示分類(SRC

4、)算法和擴充稀疏表示分類(ESRC)算法在人臉識別之中的應用，介紹了經(jīng)典的稀疏表示分類框架，以及和本文算法十分相近的擴充稀疏表示分類算法。對比評估了經(jīng)典SRC、ESRC算法用于人臉識別的準確性以及算法特點。對后續(xù)的對比實驗研究具有一定的指導意義。
　　(5)把遷移學習理論與稀疏表示分類方法結(jié)合運用到單樣本人臉識別問題中，從輔助樣本類獲得對分類有幫助的稀疏遷移字典，將它運用到單樣本人臉識別問題之中，為了豐富文章內(nèi)容，由于整個算法是基