基于稀疏編碼與字典學習的人臉識別.pdf

1、隨著信息社會的快速發(fā)展，人們對信息安全的要求越來越高，由于生物特征具有較強的個體差異性與穩(wěn)定性，故生物識別成為信息安全領域的首選方式。人臉識別是一種利用人的臉部信息進行身份鑒別的生物識別方法，與其他生物識別技術相比，人臉識別擁有便捷、直接等優(yōu)勢，因此人臉識別能夠在視頻監(jiān)控、安全防務等方面得到廣泛應用。
　　與傳統(tǒng)的人臉識別技術相比，基于稀疏表示的人臉識別擁有識別率高、魯棒性強等優(yōu)勢，因而引起了許多學者的關注。本文針對人臉識別技術中

2、的兩個重要問題:識別率與識別速度，深入研究了稀疏表示中的各類稀疏編碼算法與字典學習算法，提出了兩種快速、有效的基于稀疏表示的人臉識別算法。本文主要工作及取得的研究成果如下:
　　(1)極限學習機學習速度快，但不能很好地處理噪聲圖像;稀疏表示分類對噪聲具有魯棒性，但計算比較復雜。針對這兩種算法的優(yōu)缺點，結合極限學習機與稀疏表示分類算法，并利用子空間追蹤算法優(yōu)化稀疏系數求解，本文提出了基于極限學習機與子空間追蹤的人臉識別算法，從而達到

3、了高識別率、快速的識別效果。該算法首先根據測試樣本的極限學習機實際輸出向量來判斷是否是噪聲圖像，干凈圖像直接依據極限學習機輸出向量來分類，噪聲圖像再采用子空間追蹤方法結合稀疏表示分類框架來識別。
　　(2)提出了基于Gabor特征與投影字典對學習的人臉識別算法，首先提取人臉圖像多方向多尺度的Gabor局部向量，并將經主成分分析降維后的增廣Gabor特征作為訓練數據，代替原始的訓練樣本。然后，根據訓練數據同時學習綜合字典與分析字典，

4、綜合字典具有重構能力，分析字典可以快速求出系數矩陣。最后根據各類別的重構誤差進行分類，以達到人臉識別的目的。在擴展的YaleB、ORL、AR和CMU-PIE人臉數據庫的實驗數據表示本文提出的算法不僅具有較高的識別率，還能夠有效地提高識別速度。
　　(3)提出了一種基于局部上下文特征與加性核SVM分類器的二尖瓣瓣根識別方法，首先提取超聲心動圖中二尖瓣瓣根部的上下文特征，然后訓練一個加性核SVM分類器并利用它迅速找到二尖瓣瓣根的候選點