论文部分内容阅读
身份鉴别技术在现代社会中占有非常重要的应用地位。但随着互联网的迅速发展,信息安全的重要性日益凸显,传统基于附加特征的身份鉴别技术已无法适应个性化服务需求的迅猛发展,生物特征识别技术因具有安全性、普遍性、易维护性和易获取等特点正逐步兴起。其中,人脸识别技术因自然性、非接触性、不可替代性及可推广性等优势正逐步成为新兴身份鉴别手段的关键技术,并具有广泛的市场应用前景与深远的理论研究意义。但多姿态、多光照、多表情以及遮挡所带来的多变化人脸图像与识别规模一直阻碍人脸识别技术的推广,因此本文欲提出一种对多变化人脸图像鲁棒且计算效率较高的人脸识别算法。本文的主要研究内容包含度量学习、邻接图构建、子集选择及稀疏表示。在本文算法的训练阶段,首先将度量学习引入到人脸识别问题中,利用度量学习产生一个线性投影矩阵,所有训练图像经该矩阵投影后能保持最小类内差与最大类间差。其次,结合人脸图像的流形结构进行建模,利用上述步骤学习得到的度量将所有训练图像构成一个无向带权值的连通邻接图,该图可充分表达训练样本在流形中的几何结构,不仅将人脸图像的不同变化描述为流形结构不同的自由度,同时也将类别信息纳入其中,因此能够有效地应用于多变化人脸图像的分类识别。最终,通过分析人脸的流形结构,提出了一种基于测地线距离的子集选择方法。该方法相比较于传统的最近邻方法,能够更加准确的选择对稀疏重建更有贡献的子集。在识别阶段,利用L1优化函数对子集图像求解稀疏表示,根据重构误差识别分类。在多个公开人脸数据库上对算法的性能进行验证,除保持原始稀疏表示分类对遮挡的鲁棒性外,实验表明结合度量学习框架、有效子集选择的稀疏表示人脸识别算法可以有效地抵抗表情多变、光照多变、姿态多变的单一或混合变化,并极大地提高了计算效率。