论文部分内容阅读
人脸识别是大数据分析和信息处理领域主要的研究课题。深度学习利用大规模的神经网络模型提取人脸特征,与经典的人脸识别方法相比有很好的识别精度。鲁棒主成分分析（Robust Principal Component Analysis,RPCA）对噪声污染的人脸数据能够进行有效的预处理,从而降低噪声的影响程度。本文主要研究两种方法在人脸识别过程中,因人脸数据容易受到光照、噪声、遮挡等因素而影响识别率的问题。主要研究工作如下:（1）提出了基于RPCA和局部二值模式（Local Binary Pattern,LBP）的深度信念网络（Deep Belief Network,DBN）的人脸识别算法,解决了因光照变化而产生的光照阴影在LBP+DBN中识别效果差的问题。首先对RPCA的凸优化模型采用非精确增广拉格朗日乘子法求解,从而得到样本的低秩图像,然后通过LBP对低秩结构的人脸图像和测试图像进行特征提取,最后构造DBN网络模型用于分类识别。通过在Extended YaleB人脸库上的实验表明了该算法较LBP方法、LBP+DBN方法、低秩恢复方法具有更好的鲁棒性。（2）提出了基于RPCA和RLBP（Robust Local Binary Pattern）的人脸识别算法,降低了对含有较大噪声图像的低秩恢复中残留噪声对特征提取的影响。首先对RPCA凸优化模型采用非精确增广拉格朗日乘子法低秩恢复含有噪声的人脸图像,再利用RLBP对低秩恢复的图像进行特征提取,最后利用深度信念网络进行分类识别。通过在Extended YaleB人脸库加入不同程度的噪声进行实验,实验表明该算法较LBP+DBN方法、RPCA+LBP+DBN方法识别率有很大的提高,具有很好的鲁棒性并且在识别效率上有一定的提高。（3）提出了基于L21范数RPCA和卷积神经网络（Convolutional Neural Networks,CNN）的人脸识别算法,解决了传统的RPCA在遮挡的人脸图像低秩恢复效果不理想的问题。首先基于L21矩阵范数可以充分体现矩阵行列信息的特点,利用L21-RPCA对遮挡的人脸样本数据进行低秩恢复,再将低秩图像作为卷积神经网络的输入,进行卷积训练,最后利用Softmax分类器进行分类识别。通过在Extended YaleB人脸库加入不同大小的遮挡块进行实验,实验表明该算法较传统的CNN方法、RPCA方法具有很好的优越性。