论文部分内容阅读
人脸识别包括人脸图像采集获取、人脸检测、图像预处理和分类器设计等基本步骤,是当前生物特征识别应用最广泛的技术之一。近些年来,随着计算机、物联网和传感技术的飞速发展,非遮挡人脸识别技术已经取得了重大的进步,然而在遮挡情况下,采集的人脸图像与原图像相比,失去了原有的人脸本征特征,导致现有算法的识别率急剧下降。因此,针对遮挡干扰问题,本文主要对遮挡人脸图像进行低秩稀疏分解研究与学习,探讨如何从遮挡人脸图像中提取出表示人脸本征特征的低秩结构,从而提高人脸识别的准确率,具体工作内容如下:(1)针对传统鲁棒主成分分析算法(Robust Principal Component Analysis,RPCA)获取人脸本征特征不准确的缺点,本文提出基于迭代加权低秩分解(Iterative Weighted Low Rank Decomposition,IWLRD)的遮挡人脸识别算法。首先,利用权值函数对稀疏干扰矩阵进行加权约束,遮挡部分权值较大,无遮挡部分权值较小,从而准确提取各类训练样本中包含的遮挡和噪声干扰因素;然后,针对测试样本和训练样本遮挡情况有差异的问题,再利用迭代加权低秩分解算法提取测试样本中遮挡区域所掩盖的训练样本的信息;最后,受扩展SRC(Extended SRC,ESRC)分类器的启发,将每类训练样本的人脸低秩特征矩阵、遮挡矩阵、噪声矩阵和测试样本的遮挡向量构造新的联合字典,对测试样本进行线性稀疏表示,利用残差进行分类判别。在AR库和Extended Yale B库上进行实验仿真,实验结果表明,相比ESRC、LRSRC等现有算法,本文提出的迭代加权低秩分解算法具有较好的遮挡鲁棒性,人脸识别的准确率有明显提升。(2)传统鲁棒主成分分析算法中采用核范数代替秩函数进行低秩稀疏分解,然而,核范数受奇异值数值影响较大,导致优化结果有偏差。鉴于此,本文提出基于对数行列式函数的迭代加权低秩分解算法(Iterative Weighted Low Rank Decomposition based on Logarithmic Determinant,IWLRDLD)。首先,采用对数行列式函数代替核范数进行低秩稀疏分解,得到人脸低秩特征矩阵和稀疏干扰矩阵;然后,再利用迭代加权低秩分解算法(Iterative Weighted Low Rank Decomposition,IWLRD)提取人脸遮挡矩阵;最后将每类训练样本的人脸低秩特征矩阵、遮挡矩阵、噪声矩阵和测试样本的遮挡向量构造新的联合字典,将测试样本表示为新的联合字典的稀疏线性组合,利用稀疏逼近计算残差,通过得到的系数进行分类判别。实验结果表明,基于对数行列式的迭代加权低秩分解算法在AR库和Extended Yale B库上的识别率进一步得到提升。同时,针对该算法中对大规模矩阵进行奇异值分解导致时间复杂度较高的问题,本文又提出了基于对数行列式函数的快速迭代加权低秩分解算法(Fast Iterative Weighted Low Rank Decomposition based on Logarithmic Determinant,FIWLRDLD),把矩阵的三分解思想引入到对数行列式函数中,从而可以避免求解大规模矩阵的奇异值分解问题,有效地降低该算法的时间复杂度。