论文部分内容阅读
人脸识别是计算视觉中的一个极具挑战性的课题。虽然目前已涌现一大批具有代表性的方法:例如基于几何特征模型、子空间分析、弹性图匹配模型和特征脸等。不过,这些经典的方法仅仅考虑了训练样本的全局分布;计算复杂度高,对变化的姿态、光照等情况的鲁棒性较差。因此,它们在实际应用中受到很大的局限。与传统的人脸识别方法相比较,基于稀疏表示的人脸识别方法(Sparse Representation based Classification, SRC)由于其具有高识别率、强鲁棒性等优势成为目前关注的热点。不过,尽管稀疏表示的人脸识别方法非常具有创新性和实用性,其中仍然存在一些需要进一步的研究和讨论的问题。例如目前采用的SRC方法大都建立在诸如特征脸、随机脸、和Fisher脸的整体特征之上。这种整体特征还不能非常有效的克服表情、光照、和局部变形等问题带来的负面影响;SRC方法建立在每个类都有足够的训练样本的假设上,当训练样本较少时SRC方法的性能还有待讨论。在总结和分析基于稀疏表示人脸识别及其相关改进方法的基础上,本论文开展了进一步的研究,具体地说,突出了基于Gab or特征的稀疏表示人脸识别研究。论文的主要工作以及创新之处如下:1)给出一种用传统人脸识别方法实现的实时视频检测人脸识别系统,实际应用表明该系统受到姿态、光照等限制大,实际的识别率低;2)对于Gabor特征的稀疏表示分类方法(Gabor Feature based Sparse Representation, GSRC)最小l1范数稀疏求解精度的问题进行讨论。本论文将向量总变差模型(Vector-valued Total Variation model, VTV)引入GSRC框架中来取代原始的最小l1范数稀疏求解算法,从而提高了求解精度,进而提高了人脸识别率;3)最近研究表明基于协同稀疏表示(Collaborative Representation, CR)人脸识别方法相对SRC方法复杂度有显著地降低,且能得到一个具有很强竞争力的分类结果。但是,在协同稀疏表示人脸识别方法中,其验证仍然以整体特征为依据,识别率有进一步改善的空间。为此,本论文将Gabor特征应用到协同稀疏表示人脸识别的方法中,使识别率得到大的提高;4)最后,为解决Gabor特征应用到协同稀疏表示人脸识别方法后带来的计算复杂度和计算时间增加的问题,本论文进一步测试了若干测量矩阵,讨论和比较了它们对降低计算复杂度或降低特征的维度中的影响,指出今后可能的研究目标。