外文翻譯---人臉識別的魯棒回歸問題（譯文）

1、華中農(nóng)業(yè)大學(xué)本科畢業(yè)論文（或設(shè)計）外文翻譯1人臉識別的魯棒回歸問題□□原文來源：Imran Naseema, Roberto Togneri, Mohammed Bennamoun．Robust regression for face recognition．1 前言隨著安全威脅逐漸增加，更加突顯出在一些敏感設(shè)施中安裝高效可靠的鑒別系統(tǒng)的重要性。在這方面，生物識別技術(shù)已經(jīng)表現(xiàn)出了良好的性能。相比于其他可利用的生物特征，如語音、虹膜、指紋

2、、掌型和步態(tài)，臉部似乎是最自然的選擇。首先，它是非侵入性的，需要用戶的合作，而且廉宜實(shí)現(xiàn)。臉部識別廣泛使用于在視頻監(jiān)控中用來鎖定犯罪嫌疑人，也突顯出了它的重要性。隨著多媒體型號傳輸和加工在近幾年來的發(fā)展，我們見證了人臉識別的許多新興應(yīng)用，例如，通過互聯(lián)網(wǎng)進(jìn)行人臉識別，正成為一個最新的應(yīng)用。然而,這些相對較新的應(yīng)用往往同樣意味著魯棒性問題。盡管人臉識別測試是在一個離線控制的實(shí)驗(yàn)室環(huán)境，但是由于環(huán)境亮度、傳感器故障、信道噪聲、在網(wǎng)絡(luò)媒體壓縮

3、噪聲等原因，探測器圖像總是容易變形。一般而言，人臉識別系統(tǒng)批判地依靠流形學(xué)習(xí)方法。一個灰度人臉圖像的矩陣可表示為原始圖像空間中的一個AxB維的向量。通常，在模式識別問題中，普遍認(rèn)為高維數(shù)據(jù)向量是冗余測量值的潛在來源。流形學(xué)習(xí)的目的是通過一種從高維數(shù)據(jù)向低維數(shù)據(jù)適當(dāng)?shù)霓D(zhuǎn)變方法，揭示這種所謂的“潛在來源” 。因此,在特征提取階段，面部空間的圖像要轉(zhuǎn)化成低維數(shù)據(jù)向量，主要的目標(biāo)就是找到一個進(jìn)行轉(zhuǎn)化的基函數(shù)，能夠區(qū)分面部空間的代表性面部。然而，

4、由于噪聲的存在，這是一個極富挑戰(zhàn)性的任務(wù)。有編碼理論指出，迭代測量可以安全地修復(fù)存在噪聲的信息。因此，在低維特征空間中維護(hù)外貌的魯棒性實(shí)際上是目標(biāo)識別中一個急切的問題，文獻(xiàn)中稱這些方法為降維。聯(lián)系到關(guān)于魯棒性的語境，這些方法被廣泛地分為兩大類，即重構(gòu)和可識別性方法。重構(gòu)方法（如PCA、ICA和NMF）據(jù)稱與丟失和污染的像素有關(guān)，這些方法本質(zhì)上是利用視覺冗余數(shù)據(jù)生產(chǎn)足夠的重構(gòu)性能表現(xiàn)。形式上，給一個輸出x和一個標(biāo)簽y，生成分類器會學(xué)習(xí)聯(lián)合

5、概率p（x,y）和條件概率p（x|y）的模型，這種定義使用了貝葉斯定理。另一方面，我們已知可識別性方法（如LDA）由于決策界限的靈活性，在“干凈”的條件下具有更好的效果，而確定最優(yōu)決策的界限取決于使用直接來源于數(shù)據(jù)的p（x|y） ，因此其對異常值更加敏感。同傳統(tǒng)的方法相比，它最近還被證實(shí)有許多獨(dú)特的特點(diǎn)，如圖像下采樣和隨機(jī)投影一樣可以處理得很好。事實(shí)上,選擇的特征空間可能不再是那么重要，真正重要的是特征空間的華中農(nóng)業(yè)大學(xué)本科畢業(yè)論文（或

6、設(shè)計）外文翻譯3致高故障點(diǎn)。大多數(shù)的魯棒學(xué)習(xí)方法是基于通過替換傳統(tǒng)位置適應(yīng)判別模式和魯棒副本適應(yīng)散射矩陣估計，如 MVE 微小量估計及投影尋蹤方法等。已經(jīng)提出的某些魯棒的變體生成方法是使用魯棒度量，而不是標(biāo)準(zhǔn)的最小二乘法計算。人臉識別的魯棒性問題中的一個重要措施是通過引入一個假設(shè)和測試范式改進(jìn)傳統(tǒng)的特征空間方法的學(xué)習(xí)過程。從根本上說，工作在像素點(diǎn)子集和的二次抽樣一旦被引入，就會由魯棒解的一組線性方程產(chǎn)生一種假說?；谧钚∶枋鲩L度（MDL

7、）的原則，我們進(jìn)一步選擇不相容的假說來確定的特征空間系數(shù)。最近所提出的一個更加復(fù)雜的方法在本質(zhì)上是結(jié)合可識別性方法和重構(gòu)方法來構(gòu)造一個子空間，其同時具有兩種方法的可識別能力和重構(gòu)性質(zhì)。這就提出了一個重要的相關(guān)工作，即在生成概率成像模型時，建立 out-lier 和 in-lier 過程。這項(xiàng)任務(wù)對于人臉識別被表示為最大后驗(yàn)（MAP）估計問題，該方法應(yīng)用于連續(xù)閉塞問題。據(jù)我們所知，這是第一次將隨機(jī)丟失或破壞的像素問題轉(zhuǎn)化為一個線性魯棒回歸

8、的任務(wù)。全文的結(jié)構(gòu)安排是這樣的：第二部分討論了最基本的魯棒估計問題，第三部分描述了面部識別問題，第四部分論證了本文提出的方法在劇烈光照變化條件下的有效性，第五部分演示了隨機(jī)污染像素的實(shí)驗(yàn)，最后一部分則對全文做了總結(jié)。2 魯棒估計問題考慮一個線性問題e y ? ? ? X（1）其中，應(yīng)變量 y∈Rq×1,回歸變量 X∈Rq×p，未知參數(shù) β∈Rp×1，誤差項(xiàng) e∈Rq×1。魯棒估計問題就是估計未知參