基于稀疏表示和非負矩陣分解的部分遮擋人臉識別研究.pdf

1、隨著人臉識別應用需求的不斷增長，無約束環(huán)境下的人臉識別得到了廣泛的關注和研究。部分遮擋是無約束環(huán)境下人臉識別面臨的主要問題之一。部分遮擋造成人臉信息缺失，嚴重影響了特征的提取和識別，是人臉識別一直未很好解決的難題。研究對遮擋魯棒的人臉識別方法是人臉識別技術進一步廣泛應用的重要課題。
　　目前部分遮擋人臉識別的研究還存在以下不足：(1)已有遮擋人臉識別算法只對小面積的遮擋有效，對像口罩等類型的大面積遮擋識別率下降；(2)已有基于非負

2、矩陣分解的部分遮擋人臉特征提取算法沒有同時考慮人臉流形幾何結構、重構誤差分布的長尾特點及監(jiān)督信息，得到的特征不夠魯棒；(3)已有基于稀疏表示的部分遮擋人臉表示學習算法假設表示系數(shù)之間相互獨立，沒有考慮人臉流形局部幾何結構。
　　為了解決上述問題，本文以近年來發(fā)展的稀疏表示理論和非負矩陣分解理論為基礎，利用機器學習的方法，從三個不同層次對部分遮擋人臉識別問題展開了深入研究：
　　(1)在有監(jiān)督信息和遮擋訓練樣本的情況下，針對大

3、面積遮擋，提出了基于遮擋字典學習的魯棒人臉識別算法。主要從以下三個方面解決了該問題:1)提出了遮擋字典來建模部分遮擋模式。遮擋字典的每個原子均為一種遮擋原型如墨鏡、口罩等，將待測人臉圖像中的遮擋表達為遮擋原型的稀疏線性組合。2)建立了基于相關性最小化的遮擋字典學習模型。訓練樣本字典原子的稀疏線性組合表達非遮擋人臉，遮擋字典原子的稀疏線性組合表達遮擋部分，通過最小化訓練樣本字典與遮擋字典的相關性，將遮擋人臉和非遮擋人臉有效分離，從而利用非

4、遮擋人臉進行識別。3)提出了快速的遮擋字典求解算法，并證明了算法的收斂性。每次選擇更新一個字典原子，同時在更新下一個原子時使用已經(jīng)更新的原子，從而加快算法收斂速度。實驗結果表明：該方法學習到的字典原子均為一些基本的遮擋模式，如墨鏡、口罩、光照變化模式等，極大地提高了大面積連續(xù)遮擋人臉的識別率。
　　(2)接著，在僅有監(jiān)督信息而無遮擋訓練樣本的情況下，針對現(xiàn)有非負矩陣分解方法對遮擋敏感的問題，結合人臉流形幾何結構和監(jiān)督信息，提出了基

5、于魯棒非負塊對齊的人臉識別算法。首先基于遮擋人臉重構誤差分布的長尾特點，提出用相關熵誘導測度度量重構誤差；對重構誤差大的像素點賦予小的權重，對重構誤差小的像素點賦予大的權重，在迭代過程中自適應地學習估計權值。針對目標函數(shù)的非凸性，通過引入新的輔助變量，增加變量空間，將原來的非凸優(yōu)化問題轉化為一個半二次優(yōu)化問題；利用輪換優(yōu)化方法得到簡潔的乘性迭代公式，并證明了算法收斂性。作為魯棒非負塊對齊框架的應用，提出了局部保持非負塊對齊算法和稀疏保持

6、非負塊對齊算法。在局部保持非負塊對齊算法中，構造局部稀疏圖來刻畫人臉流形的局部幾何結構。對每個人臉，先通過k-近鄰法選擇一個較大的鄰域集，然后再對該鄰域內的樣本點求稀疏表示，有效結合了k-近鄰的局部性和稀疏表示的魯棒性。在稀疏保持非負塊對齊算法中，利用稀疏重構系數(shù)描述局部幾何結構和加權距離刻畫類可分性，結合監(jiān)督信息，構造了判別式部分優(yōu)化模型。兩種算法在實際遮擋、模擬遮擋等各種情況下取得了很好的聚類和識別結果，表明了該算法的有效性和魯棒性

7、。
　　(3)進一步，在既無監(jiān)督信息又沒有遮擋訓練樣本的情況下，針對標準稀疏表示獨立性假設的不足，結合局部幾何結構，提出了基于圖嵌入結構稀疏的魯棒人臉表示學習算法。標準稀疏表示假設表示系數(shù)之間相互獨立，這與實際應用是不相符的，因為相似信號的稀疏表示應該是相似的?？紤]到人臉流形的幾何結構，本文提出了局部群稀疏圖來刻畫相似人臉的結構關系，并將其嵌入到稀疏表示框架中，建立了結構稀疏表示模型。將結構稀疏優(yōu)化問題轉化為多個子問題，提出了基于