基于線性表示的魯棒人臉識別研究.pdf

1、作為一種典型的生物特征識別，人臉識別多年來一直是模式識別領域的熱門研究課題。基于線性表示的識別算法是當前人臉識別研究的一個熱點。這類算法假設一幅人臉圖像存在于同類別樣本展開的線性子空間內(nèi)，即它可由同類人臉圖像線性表示。線性表示系數(shù)通常由一個回歸問題求解，進而通過回歸殘差來判斷測試圖像的類別。這類方法雖然簡單，但在很多情況下僅利用原始像素特征即可取得很好的識別效果。然而，人臉圖像中常常存在的噪聲、遮擋及污染等問題往往使得這一線性子空間假設

2、失效。圖像中存在的噪聲點（孤立點）嚴重的影響了表示系數(shù)的估計，使得識別率下降。針對此問題，本文研究了基于線性表示的魯棒人臉識別算法。首先，本文研究了兩種快速的魯棒回歸算法用于檢測出圖像中存在的噪聲點，在去除噪聲的基礎上求得準確的表示系數(shù)，以此做出更加準確的識別。其次，本文研究了一種基于局部性限制的線性表示模型及識別算法，并利用金字塔結構的子圖像有效地去除或降低了人臉圖像中遮擋部分對識別造成的影響。這三種人臉識別算法都是基于線性子空間的理

3、論假設，并以表示殘差作為分類準則，它們的共同目的都是在去除噪聲的影響下取得準確的表示系數(shù)。
　　本文的具體研究成果及創(chuàng)新如下:
　　(1)本文提出了一種快速的近似最小截平方和回歸算法(Approximate LeastTrimmed Sum of Squares，ALTS)。ALTS將原來NP難的LTS回歸問題轉化為一個可以高效求解的SOCP問題，大大降低了計算復雜度。同時，ALTS可以有效檢測出人臉圖像中存在的噪聲點，提高

4、了以線性表示為基礎的人臉識別算法的魯棒性。
　　(2)本文首先用理論證明L∞-Minimization方法（最小化最大殘差）可以有效地檢測圖像中的噪聲點（孤立點），接著提出了一種快速的L∞-Minimization的優(yōu)化算法，使用列產(chǎn)生算法(Column Generation)將原問題等價的轉化為多個小的子問題，進而可以快速求解。和ALTS一樣，本算法可以有效地處理人臉圖像中存在的噪聲污染及遮擋等問題，在多個人臉數(shù)據(jù)庫上驗證了它的

5、魯棒性。
　　(3)本文研究了樣本間的局部性(localitv)對人臉識別的重要性，提出了一種基于局部性限制的線性表示模型及分類算法。局部性的限制使得基于線性子空間的假設更加合理。本文給出了這一模型的貝葉斯解釋，并由此探討了局部性和稀疏表示(sparse representation)的關系。本文展示了局部性可以導致近似的稀疏性，且相較于稀疏表示模型，局部性限制模型更有利于分類。與稀疏表示算法中的L1-Minimization問題