基于shearlet域特征學習的人臉識別研究.pdf

1、由于人臉圖像具有快速、直觀、非接觸、準確可靠等優(yōu)點，已經(jīng)被應用在國防安全、刑事偵破和商務安全等領域，是目前一個重要的研究領域。小波變換具有靈活的時頻分析能力，已廣泛應用于人臉識別。剪切波變換(Shearlet Transform)是一種源于小波又高于小波的多尺度幾何分析工具，具有傳統(tǒng)小波變換的多分辨率特性和時頻局域特性，也克服了傳統(tǒng)小波變換缺乏方向表達能力的缺點，并且能對圖像進行稀疏表示，具有更高的表達效率。深度學習通過學習一種非線性網(wǎng)

2、絡結構，實現(xiàn)對輸入數(shù)據(jù)的抽象表達，從構建網(wǎng)絡結構來進行人臉識別。本文針對如何獲得人臉圖像的有效特征獲取，以提高識別率為目標，在shearlet域提出了兩種人臉圖像的特征提取方法，進而運用到人臉識別算法中。
　　本研究主要內容包括：⑴提出了基于非下采樣剪切波(Nonsubsampled Shearlet Transform, NSST)和深度信念網(wǎng)絡(Deep Belief Network, DBN)的人臉識別算法。創(chuàng)新點：由于剪切

3、波變換的稀疏表示特性提出在shearlet變換域進行特征提取，可以有效捕捉人臉圖像的邊緣信息，獲得人臉圖像豐富的紋理信息；考慮到特征提取對識別結果的影響，提出了一種新的分塊加權LBP算法，通過在shearlet域提取分塊加權LBP特征，以獲得更能表征人臉圖像的特征；基于深度學習的思想，選擇深度信念網(wǎng)絡對提取的特征進行學習并進行分類，以此減弱特征對識別結果的影響，不斷提高識別率。實驗結果表明基于非下采樣剪切波和深度信念網(wǎng)絡的人臉識別算法具

4、有較好的有效性和魯棒性。⑵提出了基于shearlet域深層特征提取的人臉識別算法。創(chuàng)新點：基于深度學習的思想，對人臉特征的特征提取方法進行改進，提出了shearlet域深層特征；用shearlet域深層特征的結構表示人臉圖像，使其具有人臉圖像的判別信息；將shearlet域深層特征與稀疏表示相結合，用稀疏表示進行分類識別；對該人臉識別算法性能進行了全面分析。實驗中與目前的人臉識別算法進行比較，說明基于深層特征和稀疏表示的人臉識別算法的適