论文部分内容阅读
随着信息科技的发展,人脸识别技术正日益显示出其价值,因此受到了研究人员的广泛关注。目前,研究人员提出了各种有关人脸识别的方法,也取得了一定的成果。但是由于多种因素会导致人脸识别困难,包括光照、姿势、遮挡等较大变化,甚至不同形式的伪装,因此人脸识别技术仍具有极大的学术研究意义,并且存在巨大的发展空间。为了设计实际的人脸识别系统,研究人员一般比较注重人脸图像的特征提取和分类器的泛化。随着稀疏表征(Sparse Representation, SR)和低秩表征(Low-rank Representation, LRR)的飞速发展,各种基于稀疏或低秩表征的人脸识别算法被提出,表现出了很强的生命力。通常情况下,测试样本可能被损坏,但是训练数据一般被假定处于一些期望的条件下,如合适的光照、姿态、变化以及没有遮挡和伪装。当在实际场景中应用目前的人脸识别方法,我们需要丢弃损坏的训练样本,因此可能遇到小样本或过拟合问题。而且忽视毁坏的训练样本图像,这可能会导致一些对识别有价值的信息丢失。因此,在训练数据和测试数据都存在噪声的情况下,如何充分提取训练样本中的判别信息,提高判别性能仍是研究热点。本文主要是对稀疏与低秩表征中的判别模型进行研究,旨在获得更高效的判别模型来处理人脸识别问题。本文的主要研究工作如下：(1)对目前稀疏与低秩表征理论、人脸识别问题的研究背景、意义、国内外研究现状作了综合分析,并介绍了稀疏与低秩表征的有关理论,判别分析法,以及一些基于稀疏与低秩表征的判别模型；(2)受到Fisher判别分析的启发,本文提出了一种新颖的算法,即基于Fisher判别的低秩矩阵恢复算法(Fisher Discrimination based Low Rank Matrix Recovery, FDLR)。FDLR算法通过引入判别正则项,提高了算法的判别能力,有效的提高人脸识别性能。(3)本文将FDLR算法应用于人脸识别,考虑到测试样本存在噪声问题,区别于一般丢弃稀疏误差的算法,本文提出保留通过FDLR算法获得的稀疏误差,将其结合适当的分类策略,进一步提高了识别率。本文在Extended Yale B、CMU Multi-PIE和AR人脸数据库上进行了仿真实验,实验结果表明本文提出的FDLR算法能够取得较好的识别效果,即使是训练样本存在遮挡或者测试样本存在不同程度的随机像素损坏时,本文提出的算法仍然具有较好的鲁棒性。