论文部分内容阅读
过去几十年中,人脸识别一直是计算机视觉和模式识别领域一个研究热点,因而吸引了大量关注并取得了巨大进展。但大多数人脸识别方法都严重依赖于训练样本的个数,在面临单样本人脸识别问题时性能严重下降甚至无法工作。为了解决单样本人脸识别问题,本文从人脸图像的局部结构出发提出了新的特征提取和分类算法,所提出的算法不仅获得了很好的识别效果而且对表情、光照、遮挡、时间变化也具有鲁棒性。主要研究工作和创新性成果如下:(1)提出了基于心理学定律的局部特征提取算法—韦伯局部二元模式(WLBP)。 WLBP包含两个部分:差励(Differential Excitation,DE)算子和LBP算子,差励算子根据韦伯定律模拟人类对图像的感知提取感知特征,而LBP算子可以有效地提取图像局部特征,通过二维直方图将两种特征结合从而形成更具鉴别性的统计直方图特征。差励算子提取的感知特征通过使用LoG(Laplacian of Gaussian)算子有效地提升了WLBP对噪声、光照等变化的鲁棒性。此外,WLBP还成功应用于了纹理分类、人脸识别、人眼状态检测等应用中。(2)提出了基于局部特征的单样本人脸识别。为解决单样本人脸识别问题的特例—草图人脸识别问题,我们提出了局部几何(LG)特征提取算法,假设人脸草图与人脸照片中的局部块在不同的图像空间形成了具有相似几何结构的流形,利用图像局部块之间的几何结构作为特征可以将不同的模态的人脸草图和人脸照片转换到了同一特征空间中,从而降低草图与照片之间的模态差异。此外,本文还将局部几何特征、WLBP、LBP、WLD等局部特征分别应用于单样本人脸识别中,与全局特征相比局部特征对单样本人脸识别问题更加鲁棒。(3)提出了基于局部相似性的子空间学习算法。PCA、LDA、LPP等传统的子空间学习算法在单样本情况下性能下降严重甚至无法工作问题,为解决此问题本文将人脸图像分块并对每个局部块单独分类然后合并所有块的分类结果。为了分类每个局部块,我们将每个局部块进一步划分为重叠的子块并根据子块间的局部相似性提出了一系列基于局部相似性的子空间学习算法:基于局部相似性的线性鉴别分析(LS_LDA)、基于局部相似性的中值费舍尔鉴别器(LS_MFD)、基于局部相似性的主成分分析(LS_PCA)、基于局部相似性的局部保持投影(LS_LPP)、基于局部相似性的边界费舍尔分析(LS_MFA)。相比于PCA、LDA、LPP、MFA等传统的子空间学习算法,LS_PCA、LS_LDA、LS_MFD、LS_LPP和LS_MFA不仅解决了PCA、LDA, LPP和MTA在单样本情况下性能下降或无法工作的问题而且对光照、表情、遮挡、时间变化具有很好的鲁棒性。此外,本文还将上述基于局部相似性的子空间学习方法都统一到了基于局部相似性的线性图嵌入(LS_LGE)算法框架中。LS_LGE具有很好的泛化能力可以根据需要泛化出更多的基于局部相似性的子空间学习算法。(4)提出了基于局部结构的稀疏表示分类算法和基于局部结构的协同表示分类算法。针对稀疏表示分类(SRC)在单样本情况下性能下降问题,本文提出了基于局部结构的稀疏表示分类(LS_SRC),将人脸图像划分为包含重叠子块的局部块并假设重叠的子块位于同一线性子空间内。子空间假设不仅反映了局部结构还保证了SRC适用于单样本人脸识别问题。为了提升LS_SRC的计算效率,本文进一步提出了基于局部结构的协同表示分类(LS_CRC)算法。考虑到不相关的训练样本对协同表示的干扰而影响分类性能,本文接着提出了基于局部结构的两阶段协同表示分类(LS_TPCRC)和基于局部结构的多阶段协同表示分类(LS_MPCRC),通过样本选择机制去除无用的训练样本,可以在保持协同表示性能的同时引入了有监督的稀疏性。此外,为了进一步提升LS_SRC和LS CRC性能,本文还提出了基于混淆矩阵的贝叶斯推理,利用混淆矩阵描述分类器误差并根据贝叶斯推理推导出测试样本属于各类的更加准确的概率。