面向人臉識別的圖像表示和分類研究.pdf

1、人臉識別是模式識別、機器學習、計算機視覺以及圖像分析與理解等領域的研究熱點之一。幾十年來，人臉識別技術(shù)研究取得了令世人矚目的進展，然而仍受到一些瓶頸問題的困擾，其中主要包括人臉圖像魯棒表示（魯棒特征提?。﹩栴}和相似度量設計問題。本文就這兩個問題涉及的理論、模型與算法進行了深入的研究，針對其存在的問題進行了一系列工作，提出了一些新的模型與算法。本文主要研究工作包括:
　　從圖像奇異值分解的性質(zhì)出發(fā)，提出了一種簡單而有效的基于個體子空

2、間的人臉圖像表示與識別算法。該算法利用奇異值分解估計每幅圖像所處的線性子空間;依據(jù)相似人臉圖像應該處于同一或相似線性子空間假設，引入最近鄰規(guī)則進行分類。與同類方法相比，所提算法在處理諸如光照變化、小樣本以及異質(zhì)圖像識別等問題時的識別性能更加魯棒。
　　傳統(tǒng)的稀疏表示模型將待分類人臉圖像刻畫為身份信息與光照變化信息的線性疊加，然而朗博反射模型和實驗表明事實并非如此。針對這一問題，本文提出一個新的可以同時優(yōu)化身份信息與光照信息的稀疏表

3、示分類模型，同時提出了一個具體適用的模型求解算法。人臉圖像數(shù)據(jù)庫上的對比實驗表明:與同類方法相比，本文所提方法能有效提升稀疏表示模型在光照變化人臉識別問題中的分類能力。
　　本文提出了一種新的基于矩陣線性變換的圖像相似度度量模型。提出的模型通過計算兩幅圖像之間的線性變換確定其相似程度。本文對該方法作為相似性度量的合理性進行了分析，并在人臉識別問題上討論和展示了該相似性度量的一些特點。結(jié)合提出的相似性度量與最近鄰規(guī)則，本文還提出了一

4、個具體適用于人臉識別問題的分類方法。在一些有挑戰(zhàn)性的人臉識別問題上的實驗進一步證實了所提出的相似度量及分類方法的有效性。
　　本文從線性重構(gòu)模型和相似度量模式出發(fā)，提出將線性重構(gòu)度量模型看作一種新的度量模式，并進一步分析了線性重構(gòu)模型作為相似性度量的物理意義及其所具有的優(yōu)勢。具體地講，本章推導發(fā)現(xiàn)重構(gòu)系數(shù)蘊含了點對點度量以及其他數(shù)據(jù)點的分布信息;分析了求解線重構(gòu)模型算法中的正則項的物理意義;對比分析了線性重構(gòu)度量模式與點對點度量模