光照和遮擋條件下的人臉識別算法研究.pdf

1、人臉識別是根據人面部影像中的有效信息進行身份鑒別的一項技術,是生物特征識別領域的重要組成部分。憑借在國防安全、社會公共安全以及各行業(yè)中的應用前景,人臉識別的研究近十年受到了廣泛關注,同時也極大促進了數學、計算機科學以及認知科學等相關學科的發(fā)展。目前,在環(huán)境可控、用戶配合的條件下,該項技術已經比較成熟。但是在非理想條件下(如光照可變、表情變化,化妝或遮擋)的人臉識別性能尚待提高。
　　本論文在分析現有先進算法的基礎上,面向人臉識別中

2、存在的難題進行了研究。從改進算法對連續(xù)性遮擋的處理能力,增強分類模型對離群點的魯棒性,以及人臉特征提取幾方面入手,針對人臉識別中的光照以及遮擋問題進行了一系列工作。本文主要貢獻和創(chuàng)新點如下:
　　1.融合線性回歸和水平集方法,提出一個解決人臉識別中連續(xù)性遮擋問題的方法。核心思想是消除遮擋區(qū)域對線性回歸分類法(linear regression-based classification,LRC)的影響。首先從LRC中得到人臉誤差圖像

3、,通過分析得出:與原人臉圖像相比,遮擋區(qū)域在誤差圖像中更為顯著,且更容易被確定出來?？紤]到水平集方法(level set method)可以提取封閉、平滑的連續(xù)性邊緣,我們展示了如何利用遮擋像素點的空間連續(xù)性來確定人臉中的遮擋區(qū)域。實驗分析表明,將水平集方法融入線性回歸分類框架,我們的方法能夠有效提高對不同類型人臉遮擋識別的魯棒性。此外,現有處理遮擋問題的方法(如稀疏表示分類法和線性回歸分類法)需要對人臉圖像進行劃分以提升識別效果,其識

4、別性能與人臉分塊的方式密切相關,影響實用性。本文提出的方法不需要對人臉圖像進行分塊操作,從而避免了這一問題。
　　2.提出一個基于l1范數約束的線性回歸人臉識別方法(l1-norm based linear regression classification,l1LRC)。高維線性空間中,在不同的范數定義下,樣本間會形成不同的拓撲關系,因此相同的分類算法會有不一樣的決策界,進而產生不同的分類結果。LRC利用l2范數作為距離度量準則

5、。作為歐氏測度,l2范數可以較好地克服高斯噪聲對圖像識別的影響,然而卻忽略了樣本分布的統(tǒng)計特性,無法有效揭示數據的內在分布結構。當圖像數據中存在較大的誤差或離群點時,歐氏測度會導致對數據的估計出現較大的偏離。本章用l1范數代替LRC方法中的l2范數約束,將l1約束的凸優(yōu)化問題轉化為線性規(guī)劃問題,由原-對偶算法進行模型求解,最后通過計算測試樣本與各類訓練樣本之間的l1距離作為最近鄰分類的相似性度量。在ORL、CMU-PIE、Extende

6、d Yale B、AR和Geogia Tech五個公開人臉數據庫上的對比實驗表明了l1LRC算法用于人臉識別的可行性和有效性。
　　3.提出了一個基于稀疏誤差特征提取的人臉識別方法,用于解決正面人臉識別中的光照以及遮擋問題。受到魯棒主成分分析(robust principal component analysis,RPCA)進行低秩矩陣恢復的啟發(fā),本文提出利用測試樣本在不同類別下的RPCA分解得到的稀疏誤差成分進行人臉識別。首先,

7、通過示例分析并揭示了誤差成分與低秩成分相比,具有更多的判別信息。其次,從誤差圖像的像素域和梯度域兩個角度出發(fā),分別定義了稀疏性和平滑性兩個描述算子來提取稀疏誤差成分的特征。最后,通過加權和比值的方式給出了兩種識別協議進行人臉圖像分類。在公開人臉數據庫中進行的光照變化、隨機像素點破壞、隨機圖像塊遮擋以及真實環(huán)境下的遮擋實驗表明了提出方法的有效性。同時,提出的方法不需要光照條件以及遮擋區(qū)域的先驗知識,并且該方法并不限于面部識別,也有望擴展到