基于稀疏性的人臉檢測與識別方法研究.pdf

1、人臉是一個信息豐富的模式集合，是人類互相判別、認識、記憶的主要標(biāo)志。人臉檢測與識別在計算機視覺、模式識別、多媒體技術(shù)研究中占有重要的地位，因此人臉檢測與識別技術(shù)是模式識別與機器視覺領(lǐng)域最有挑戰(zhàn)性的研究課題之一。本文的工作涉及到了人臉的檢測與識別，主要的工作內(nèi)容如下：
　　 稀疏表示分類算法利用壓縮感知的基本原理，通過求解由全部訓(xùn)練樣本對測試樣本最佳線性表出的稀疏向量來進行分類。在實驗中發(fā)現(xiàn)，對于同方向分布的不同類的樣本，稀疏表示

2、分類算法在對樣本單位化后無法正確分類。為了解決這個問題，本文將Mercer核引入到稀疏表示分類算法中，提出了核稀疏表示分類算法。由于高斯核函數(shù)可以作為樣本間的相似性度量，這樣就很好的解決了原算法出現(xiàn)的問題。在人工數(shù)據(jù)、UCI數(shù)據(jù)和人臉數(shù)據(jù)庫上的仿真實驗均驗證了此改進算法的有效性。
　　 基于核稀疏表示的分類算法與稀疏表示分類算法中所應(yīng)用的隨機降維映射在實際的應(yīng)用中是一種對維數(shù)約減非常有效的方法。但是對不同的隨機映射降維矩陣，核稀

3、疏表示分類算法會得到不同的識別結(jié)果，因而不能夠保證分類算法的穩(wěn)定性。如果想提高算法的性能，對不穩(wěn)定的分類器而言，集成是一種很好的選擇。因此本文提出了基于核稀疏表示分類算法的多分類器集成方法，可采用的多種決策級融合方法包括：最大(Max)、最小(Min)、求和(Sum)、均值(Mean)和多數(shù)投票(Majority Vote)。實驗驗證了該集成方法的有效性，而且實驗表明了求和與均值這兩種策略是較好的集成規(guī)則。
　　 標(biāo)準(zhǔn)支持向量機

4、(SVM)已經(jīng)用于人臉檢測，但是由于支持向量個數(shù)較多，導(dǎo)致檢測速度不高。1-norm SVM采用1-norm正則項替代了標(biāo)準(zhǔn)SVM中的2-norm正則項，而1-norm正則項能夠誘導(dǎo)稀疏性。已經(jīng)證明了1-norm SVM的解比標(biāo)準(zhǔn)SVM的解更具有稀疏性，因此本文把1-norm SVM應(yīng)用到人臉檢測中，期望能提高檢測速度。在構(gòu)建1-norm SVM人臉檢測系統(tǒng)的時候，采用的是經(jīng)典的人臉檢測系統(tǒng)，并在最后加入了去除重疊標(biāo)識人臉的步驟。最后通