基于低秩恢復(fù)和稀疏表示的人臉識(shí)別方法研究.pdf

1、人臉識(shí)別技術(shù)是目前模式識(shí)別領(lǐng)域的一個(gè)重要研究方向，因其非接觸性，易于接受，不易發(fā)現(xiàn)且識(shí)別率較高等優(yōu)點(diǎn)被廣泛地應(yīng)用到社會(huì)各個(gè)領(lǐng)域?；趫D像稀疏表示的人臉識(shí)別方法是現(xiàn)階段計(jì)算機(jī)視覺和模式識(shí)別領(lǐng)域的一個(gè)研究熱點(diǎn)。然而現(xiàn)有的稀疏表示算法在訓(xùn)練樣本圖像含有光照、表情、姿態(tài)、遮擋等誤差或被噪聲污染時(shí)識(shí)別率較低，并且在訓(xùn)練樣本較少的情況下，分類器對(duì)測(cè)試樣本進(jìn)行分類時(shí)極易出現(xiàn)異常值，進(jìn)而降低了稀疏表示算法的識(shí)別性能。針對(duì)現(xiàn)有算法在樣本圖像受到噪聲污染和

2、訓(xùn)練樣本數(shù)量較少的情況下識(shí)別率不高的問題，本文主要研究?jī)?nèi)容如下:
　　1)在訓(xùn)練樣本圖像受到噪聲污染的情況下，針對(duì)SRC算法采用單位陣作為誤差字典不能很好地描述圖像的噪聲和誤差，本文采取低秩矩陣恢復(fù)(LR)算法把訓(xùn)練樣本分解成一個(gè)低秩逼近矩陣和一個(gè)稀疏誤差矩陣，由低秩逼近矩陣和誤差矩陣組成一個(gè)過完備字典。求取測(cè)試樣本在該字典下的稀疏表示?；跍y(cè)試樣本的最稀疏表示系數(shù)和字典，對(duì)測(cè)試樣本進(jìn)行類關(guān)聯(lián)重構(gòu)，并計(jì)算其類關(guān)聯(lián)重構(gòu)誤差。最后，基

3、于類關(guān)聯(lián)重構(gòu)誤差，完成測(cè)試樣本的分類識(shí)別。LR算法的優(yōu)越性在于不但可以解決人臉圖像受到噪聲污染的問題，而且還有效地解決了小樣本問題。
　　2) Gabor小波在不同方向和尺度上對(duì)圖像的表示特性與人類視覺系統(tǒng)的相關(guān)特性非常相似，因此，Gabor小波提取的圖像特征更加適用于圖像表示。在LR算法得到的誤差字典的基礎(chǔ)上，本文采用Gabor變換對(duì)每一個(gè)訓(xùn)練樣本圖像及其對(duì)應(yīng)的誤差圖像分別進(jìn)行處理得到Gabor特征向量，用新得到Gabor特征向

4、量構(gòu)成字典，該字典可以進(jìn)一步的提高對(duì)測(cè)試樣本（經(jīng)過Gabor小波處理過的）的稀疏編碼能力。相似的，基于最稀疏編碼系數(shù)和Gabor字典重構(gòu)測(cè)試樣本，進(jìn)而完成測(cè)試樣本的分類。
　　3)在訓(xùn)練樣本和測(cè)試樣本均受到噪聲污染的情況下，本文提出一種圖正規(guī)則化低秩恢復(fù)稀疏表示(CLRSRR)算法，該算法可以有效地從受噪聲污染的樣本圖像集中恢復(fù)出一個(gè)干凈的人臉圖像集和一個(gè)魯棒性很強(qiáng)的誤差字典，這個(gè)干凈的人臉圖像不但具有更強(qiáng)的判別信息，而且還可以保