基于單演特征和遮擋字典的稀疏表示人臉識別研究.pdf

1、在計算機視覺、機器學習及生物識別技術中，自動人臉識別技術是最具有挑戰(zhàn)的研究之一。盡管人臉識別在最近幾十年已經(jīng)被廣泛研究，且很多經(jīng)典的人臉特征提取和分類方法被提出，包括子空間學習的Eigenface、Fisherface、Laplacianfaces，基于Gabor特征的分類，以及具有機器學習功能的SVM等。但由于受遮擋、姿態(tài)變化和光照等影響，其識別性能依然受到很大的限制。因此在真實情況下提高人臉識別的魯棒性仍有必要。
　　2008

2、年， John Wright等人首次將稀疏表示引入到人臉識別中，提出了SRC(Sparse Representation based Classification)方法。該方法是將訓練樣本作為字典，通過l1模最小化技術得到待識別圖像在字典上的稀疏表示系數(shù)，并求解最小殘差來進行識別。SRC方法給人臉識別提供新的研究方向，由此本文對稀疏表示人臉識別進行了研究。針對圖像的光照和遮擋問題，重點研究了如何提取較好的局部特征和構造合理的遮擋字典兩個

3、部分。論文的主要工作及研究內(nèi)容包括:
　　1)使用SRC方法進行人臉識別時，為了使得表示系數(shù)矢量具有更為顯著的稀疏性，受到GSRC(Gabor Feature based Sparse Repreentation Classification)算法的啟發(fā)，本文將單演特征這種局部特征引入到稀疏表示分類中，提出了基于單演特征的稀疏表示分類方法，即MSRC(Monogenic Feature based SparseRepresenta

4、tion Classification)。由于單演特征能夠提取圖像的能量特征、結構特征和幾何特征，提取的圖像信息比較全面，使用它作為特征對后續(xù)的稀疏表示分類是比較有利的。在算法特征的處理時間上，相對于Gabor的多尺度和多方向，僅僅多尺度的單演特征能夠減少特征的處理時間。在AR庫和Extend YaleB庫上分別進行了實驗，驗證了所提算法的有效性。在AR庫上，MSRC算法雖然最高識別率與GSRC一致，都為97.143％，但是整體平均識別

5、率高于GSRC。在ExtendYaleB庫上，MSRC最高識別率為98.918％，高于GSRC的96.543％。
　　2)對于待識別人臉出現(xiàn)損壞或遮擋時，考慮到遮擋的人臉往往可以認為是原始人臉和遮擋誤差疊加而成，研究了含有遮擋字典的擴展字典對識別性能的影響。重點研究了單位矩陣遮擋字典和Gabor遮擋字典?？紤]到擴展字典的復雜性，使用壓縮傳感的理論去除遮擋區(qū)域，利用非遮擋區(qū)域作為字典進行識別。在含有遮擋人臉的AR庫上進行了實驗，比較