基于壓縮感知的人臉識別方法研究.pdf

1、壓縮感知理論是近年來信號處理領域的國際熱點問題之一，它的研究已滲透到數學和諸多工程科學領域。其中，基于稀疏表示的人臉識別是壓縮感知理論應用的一個備受關注的課題，其核心技術是假設測試圖像能夠被所有訓練圖像稀疏地線性表示，通過凸優(yōu)化技術求解其稀疏表示系數，最后根據重構殘差完成人臉圖像的準確分類。它能夠有效地改善人臉識別算法的魯棒性，為人臉識別問題的研究提供了嶄新的研究視角。本課題從基于稀疏表示的人臉識別入手，針對如何改善現(xiàn)有算法的魯棒性和有

2、效性問題進行了深入的探討，以期望提出的算法在實際問題中有所應用。本文的研究工作主要概括如下：
　　1.提出了基于二維圖像特征矩陣的稀疏表示人臉識別算法。從二維人臉圖像上進行二維特征提取，然后直接求解在二維特征矩陣下的稀疏表示系數，最后估計最小重構殘差完成人臉圖像的識別，整個過程都不需要將二維矩陣轉換為列向量。與現(xiàn)有的人臉識別算法相比，提出的算法既保留了原有二維矩陣中元素間的局部關聯(lián)信息，又大大降低了求解1-范數最小化問題的計算復雜

3、度。針對人臉圖像被連續(xù)區(qū)域遮擋的問題進行進一步探討，采取分塊處理策略，并構造了有效塊判別函數，最終融合有效塊上的分類結果完成人臉識別。實驗結果展示，提出的算法在識別準確率和計算效率方面比一維特征的稀疏表示方法都有明顯的改善。
　　2.針對訓練圖像和測試圖像同時被噪聲干擾的人臉識別問題，提出了基于兩階段稀疏表示的人臉識別算法。首先，訓練圖像中的干擾噪聲通過低秩矩陣恢復模型被有效地移除。然后，充分利用從訓練圖像中移除的干擾噪聲去擴充訓

4、練圖像矩陣，提出了擴展的1-范數最小化問題，利用求解這個最優(yōu)化問題得到的第一階段稀疏表示系數來有效地移除測試圖像中的噪聲。最后，在去噪后的人臉圖像上再進行特征提取，通過在特征空間求解的第二階段稀疏表示系數完成分類。對噪聲敏感的特征提取技術因為被執(zhí)行在去噪后的圖像上而可以發(fā)揮其應有的性能。一方面，提出的算法對特征維數魯棒，即利用更低維的特征維數可以達到與高維特征相近的識別準確率；另一方面，提出的算法對噪聲干擾強度魯棒，即提出的算法性能不會

5、隨著噪聲干擾強度的增強而出現(xiàn)明顯的波動。
　　3.針對現(xiàn)有圖像集人臉識別算法魯棒性差的問題，提出了基于擴展低秩恢復和聯(lián)合表示的圖像集人臉識別算法，該算法能夠有效地改善測試人臉圖像集被噪聲嚴重干擾的情況。首先，構造一個擴展的低秩矩陣恢復模型，它可以有效地移除測試人臉圖像集中的干擾噪聲，重建秩為1的測試人臉圖像集。其次，對于大型的訓練人臉圖像集學習一個壓縮的非相干字典，在提高運算效率的同時也能夠增強分類能力。最后，從重建的秩1測試集中