论文部分内容阅读
随着信息安全意识的普及，人们慢慢开始关注并研究生物特征识别技术。如何快速准确地识别用户身份、保护财产信息安全，已经成为一个值得深入研究的问题。由于人脸识别技术潜在的商业前景和巨大的社会效益，越来越多的学者开始深入研究人脸识别技术。 压缩感知理论（Compressive Sensing,CS）利用信号的稀疏表示充分提取信号中的有用信息，为信号采样理论带来了革命性的突破。同时，压缩感知理论也为人脸识别领域带来新的研究思路与方法，其中较为著名的算法就是基于稀疏表示分类的人脸识别算法（Sparse Representation-based Classification,SRC）。 与传统人脸识别算法相比，SRC算法利用图像高维数据的可压缩性，通过稀疏表示的方法将人脸图像进行统计判断，解决了高维数据带来的计算量问题以及处理中信息丢失问题，具有较好的识别效果。但是，由于现有SRC算法并没有对光照变化、姿势变化、人脸图像不完整等问题进行相应地处理，导致了SRC算法性能下降。本文研究了光照变化、姿势变化条件下的压缩感知人脸识别算法并对现有SRC算法进行改进，进一步解决了人脸图像不完整问题。论文的主要内容和创新点如下： 1.提出一种光照鲁棒的人脸识别算法，称为G-SRC算法（Illumination robust SRC based on Gradientfaces，G-SRC）。通过对比各类消光照算法性能，采用梯度脸算法消除光照变化，提取与人脸轮廓相关的光照不变量，从而增强算法的光照鲁棒。另外，通过主成分分析法进一步提取人脸特征，提升算法运行速度。最后将通过处理后的数据进行稀疏表示并判断识别。实验结果表明，G-SRC算法有效地提升了SRC算法的识别率及光照鲁棒。 2.提出一种关于提取人脸细节特征的算法。为了充分利用人脸细节，如人脸关键特征（眼睛、鼻子、嘴巴等），利用Harris角点检测法得到足够数量的Harris角点，然后利用改进的Gabor滤波器对角点进行筛选，剔除图像中的伪角点，进一步精确地提取了人脸细节特征的信息，解决了姿势变化和人脸图像不完整带来的信息缺失问题。 3.提出一种基于SRC算法的二次人脸识别算法，称为T-SRC算法（Twice face recognition based on SRC，T-SRC）。当遇到第一次识别残差差别不大从而需要进行二次识别的情况时，提取二次识别的人脸图像细节并组成新的人脸样本集，用该样本集稀疏表示测试人脸以及确定身份信息。通过实验结果的分析，可以证明T-SRC算法较好地提高了识别率。