论文部分内容阅读
人脸识别是生物特征识别的技术之一,也是模式识别领域的重要研究内容。传统人脸识别方法容易受到光照、表情、噪声以及姿态等复杂环境因素的影响,使其识别性能大幅下降。稀疏表示分类(SRC)方法具有较强的鲁棒性,因此其在复杂环境人脸识别中已获得成功的应用。另一方面,实际应用中人脸图像可由多种不同的视角或特征进行表示。多视图特征能够实现人脸图像的互补性描述,并提升相关识别算法的性能。因此,结合SRC和多视图人脸特征以提升人脸识别系统性能,是一个非常有研究价值的问题。基于此,本文围绕SRC改进及其多视图扩展,对人脸识别算法和系统展开了研究,其主要研究内容和工作如下:(1)提出一种基于分数阶SRC的人脸识别算法(Fraction SRC,FSRC)。受分数阶奇异值分解表示(FSVDR)启发,在SRC的样本字典构建阶段嵌入分数阶,通过调节分数阶参数使得SRC对人脸光照、表情变化的敏感度变低,利用重构误差最小化进行建模,使用正交匹配追踪算法进行求解,以此提高了算法在遇到面部变化较大等情况下的识别率。在实验上首先确定最优分数阶参数,然后在ORL、Yale和CMU PIE三个人脸数据集上证明了 FSRC算法的有效性。(2)提出一种基于多视图分数阶SRC的人脸识别算法(Multi-view FSRC,MFSRC)。该算法在FSRC算法的基础上扩展成为多视图版本。MFSRC算法先对样本字典进行多视图建模,再嵌入分数阶表示,对系数矩阵进行联合范数约束,减少了噪声训练样本与真实样本的偏差,采用迭代算法对目标函数进行求解。在CMU PIE数据集上的实验表明,MFSRC算法具有较强的分类能力。(3)提出一种基于扩展多视图SRC的人脸识别算法(Extended Multi-view SRC,EMSRC)。该算法引入了多视图变异字典,将SRC中的稀疏向量重构为样本字典的系数矩阵和多视图变异字典的系数矩阵,这种新的表示方法将多视图人脸分解为标准人脸部分和面部变化部分,因此可以有效地解决欠采样问题和减少测试图像的遮挡、伪装和噪声等偏差。在AT&T、Yale和PIE三个人脸数据集上,通过变化数据维度、训练样本个数以及多视图特征,证明了 EMSRC算法优于其它SRC算法。(4)利用所提人脸识别算法,设计并实现了多视图稀疏表示的人脸识别系统。系统主要包含视频图像采集、人脸检测、人脸预处理、特征提取、人脸识别等模块。通过系统功能测试证明本系统能有效识别出人脸图像。