稀疏與低秩表征中的判別模型研究及其應用.pdf

1、隨著信息科技的發(fā)展，人臉識別技術正日益顯示出其價值，因此受到了研究人員的廣泛關注。目前，研究人員提出了各種有關人臉識別的方法，也取得了一定的成果。但是由于多種因素會導致人臉識別困難，包括光照、姿勢、遮擋等較大變化，甚至不同形式的偽裝，因此人臉識別技術仍具有極大的學術研究意義，并且存在巨大的發(fā)展空間。為了設計實際的人臉識別系統(tǒng)，研究人員一般比較注重人臉圖像的特征提取和分類器的泛化。隨著稀疏表征(Sparse Representation，

2、SR)和低秩表征(Low-rank Representation，ERR)的飛速發(fā)展，各種基于稀疏或低秩表征的人臉識別算法被提出，表現(xiàn)出了很強的生命力。通常情況下，測試樣本可能被損壞，但是訓練數據一般被假定處于一些期望的條件下，如合適的光照、姿態(tài)、變化以及沒有遮擋和偽裝。當在實際場景中應用目前的人臉識別方法，我們需要丟棄損壞的訓練樣本，因此可能遇到小樣本或過擬合問題。而且忽視毀壞的訓練樣本圖像，這可能會導致一些對識別有價值的信息丟失。因

3、此，在訓練數據和測試數據都存在噪聲的情況下，如何充分提取訓練樣本中的判別信息，提高判別性能仍是研究熱點。
　　本文主要是對稀疏與低秩表征中的判別模型進行研究，旨在獲得更高效的判別模型來處理人臉識別問題。本文的主要研究工作如下:
　　(1)對目前稀疏與低秩表征理論、人臉識別問題的研究背景、意義、國內外研究現(xiàn)狀作了綜合分析，并介紹了稀疏與低秩表征的有關理論，判別分析法，以及一些基于稀疏與低秩表征的判別模型;
　　(2)受到

4、Fisher判別分析的啟發(fā)，本文提出了一種新穎的算法，即基于Fisher判別的低秩矩陣恢復算法(Fisher Discrimination based Low Rank MatrixRecovery，F(xiàn)DLR)。FDLR算法通過引入判別正則項，提高了算法的判別能力，有效的提高人臉識別性能。
　　(3)本文將FDLR算法應用于人臉識別，考慮到測試樣本存在噪聲問題，區(qū)別于一般丟棄稀疏誤差的算法，本文提出保留通過FDLR算法獲得的稀疏誤