论文部分内容阅读
随着社会的快速发展,信息安全问题逐渐得到人们的重视,如何进行准确、快速的身份识别已成为一项亟待解决的重要课题。人脸识别技术利用每个人独有的面部特征进行身份识别,与基于其他生物特征的身份识别技术相比,具有采集简单方便、非侵入性、符合人类认知习惯等优点。人脸识别技术是模式识别和人工智能等领域的研究热点,并且在公共安全及经济金融方面显示出了巨大的应用前景。人脸识别技术虽然取得了许多突破,但在不受控条件下的识别效果并不理想,仍然具有高度的挑战性。本文首先介绍了人脸识别研究的背景、意义、研究现状和一般的算法流程,接着主要研究了人脸识别中的特征提取和分类方法。其中重点研究了稀疏表示(SRC)理论,针对其最小化l,范数的计算复杂度过高的问题,利用l2范数代替l,范数,引入协同表示(CRC)算法,大大降低了计算成本。通过对这两种算法的对比研究,发现SRC与CRC算法的目标都是利用训练样本实现对测试样本的最优重构,再由编码系数判断出测试样本的类别。由于协同表示算法的计算复杂度低,实时性强,研究协同表示的改进算法更适于实际应用。因此,本文针对协同表示方法的不足之处,进行了一系列的改进。本文的主要创新点如下:(1)由于训练样本中不可避免的存在一定的噪声误差,会在协同表示算法重构测试样本时引起差错。针对这一缺点,本文利用低秩矩阵恢复(LR)算法处理人脸图像,减弱了人脸图像中的噪声误差,突出同类人脸的共同特征,以便更好的重构出测试样本。在计算低秩逼近矩阵时,利用非精确的拉格朗日乘子法(IALM)代替精确的拉格朗日乘子法(EALM),降低了计算难度,提升了运行效率,使算法更具实用性。(2)协同表示算法忽略了近邻样本在重构测试样本时的重要作用。针对这一缺点,将局域一致性引入编码方案中,使得相似的样本(近邻样本)的编码系数尽可能的相似。低秩恢复可以有效地去除原始图片中的噪声和误差,突出同类的人脸图片的共同特征,使得同类人脸图片的距离尽可能的相近。将这两种方法相结合,提出了基于低秩恢复和局域约束协同表示(LR-LCCR)的人脸识别算法,能够使得同类人脸图像的编码系数相似,增强鲁棒性。在AR和Extend Yale B人脸库上的实验证明了算法的良好性能。(3)稀疏表示和协同表示一般利用图像的全局特征构成训练库字典。由于全局特征对人脸图像的描述并不充分,所以针对协同表示的字典对其进行了改进。详细阐述了一种提取人脸局部特征的有效算法,方向边缘幅值模式(POEM)。利用人脸图像的POEM特征构成协同表示的字典,提出了基于POEM特征的协同表示(POEM-CRC)算法。在AR和FERET人脸库上的实验证明了 POEM-CRC算法的性能优于其他同类算法。