学位论文 > 优秀研究生学位论文题录展示

基于稀疏表示和特征选择的人脸识别方法研究

作　者: 魏丹
导　师: 李树涛
学　校: 湖南大学
专　业: 控制科学与工程
关键词: 人脸识别图嵌入理论链式采样特征选择稀疏表示决策融合分布式压缩传感
分类号: TP391.41
类　型: 博士论文
年　份: 2012年
下　载: 638次
引　用: 0次
阅　读: 论文下载

内容摘要

人脸识别是模式识别和计算机视觉领域的一个前沿课题,由于其具有非接触性、隐蔽性、易于理解以及图像采集设备成本低等优点,已经被越来越多的应用于安全监控、人机交互、人工智能以及电子商务安全中。本文以数字图像人脸识别技术为研究背景,在分析现有人脸识别方法的基础上,结合模式识别的最新理论,针对人脸识别中的表情、光照、遮盖等复杂情况,深入研究了基于稀疏表示和特征选择的人脸识别问题。本文的主要研究成果总结如下：1)基于图嵌入理论的特征选择方法。在图嵌入特征选择方法中,由于受到噪声影响,数据点的K邻近图稳定性会降低。针对这一问题,本文提出了基于特征分数的递归特征消除方法(FS-RFE)和基于子集水平分数的递归特征消除方法(SL-RFE)。在FS-RFE方法中,我们递归地移除具有最小特征分数的特征,并动态更新图的结构,以减少由于特征中存在大噪声而引起的负面影响。在SL-RFE方法中,通过迭代计算子集水平分数,递归地删除噪声特征,并更新图的结构。在UMIST及Yale人脸数据集上的实验结果表明,与θG-MFA,θG-LDA,θG-LSDF等特征分数方法相比,本文提出的FS-RFE和SL-RFE方法能够明显提高人脸识别的准确度,并显著提高算法对高维噪声的鲁棒性。2)基于链式采样的特征选择方法。针对非线性超高维问题降维,本文在特征生成机(FGM)方法基础上,提出了一种新的基于链式采样的特征选择方法。FGM方法在每次迭代过程中,特征根据分数进行排序,并且形成一个新的特征子集,当问题维数很高时,特征分数计算及其排序时间是无法接受的。而本文提出的方法通过特征采样方法加速计算,将稠密特征存入缓存器,并且舍弃稀疏特征,在迭代过程中将具有最大分数的一些特征保留在缓存器中,并逐步更新缓存器中的特征,形成链式采样,最后通过对缓存器的特征进行再排序,找到具有最大特征分数的一些特征做为有效特征,可以大大降低计算复杂度。在超高维数据集上的实验结果表明了本文提出的基于链式采样特征选择方法的有效性。3)基于工作集的快速有效稀疏表示求解算法。稀疏表示问题计算复杂度随着字典规模的增加迅速增加。为此,本文提出了一种求解稀疏表示问题的快速分解梯度投影算法(FDGP)。通过最小化一个有界约束二次规划问题来求解稀疏表示问题,在梯度投影迭代过程中,并不求解整个问题,而是选择梯度存在最大变化的元素作为工作集,从而将大规模优化问题转换为一些小规模有界约束二次规划问题来求解,既节省了内存消耗,又显著提高了大规模稀疏表示问题的求解效率,并最终提高了人脸识别的精度和效率。4)基于小波域稀疏表示的人脸识别方法。本文提出了基于小波域稀疏表示的人脸识别算法。由于小波高频子带可以捕捉小的细节信息而低频子带可以很好的表示轮廓信息,本文采用小波变换来分解人脸图像,建立包含高频和低频信息的多频字典,对高频子带和低频子带进行稀疏表示,通过计算高频、低频子带在多频字典下的拟合效果来进行分类。实验表明,即使当人脸图像存在着强烈光照表情变化或者小幅遮挡时,所提出的方法也可以对人脸进行有效准确地识别,从而提高了人脸识别的鲁棒性。5)基于决策融合的人脸识别方法。常用的特征级融合识别过程中信息存在相互干扰的可能性,容易造成融合结果性能的下降。为此,本文提出了基于决策融合的人脸识别算法。注意到局部二值模式可以反映图像的局部特征,线性判别分析可以充分提取图像的整体特征,本文首先对人脸图像进行多个尺度和方向的Gabor变换,再采用线性判别分析和局部二值模式两种方法提取Gabor图像的特征,采用K-最近邻方法进行识别,对得到的识别结果进行决策级融合得到最终结果。实验结果表明基于决策融合的识别方法结果准确率高于Gabor-LBP和Gabor-LDA方法,并且此方法随着实验测试人数(类别数)的增加,识别率保持稳定。6)基于分布式压缩传感理论的多传感器融合人脸识别方法。利用近红外和可见光图像的传感器内和传感器间的内在联系,提出了基于分布式压缩传感的多传感器融合人脸识别算法,将可见光与近红外人脸图像整体作为分布式压缩传感的多源测量信号,利用分布式压缩传感理论,将多源信号分解成共同部分和差异部分,采用共同部分对图像进行识别。共同部分有效地融合了近红外和可见光图像,既可以保持可见光图像容易采集,样本图像多的优势,又可以利用近红外图像对光照不敏感的特性,应用在人脸识别数据库上,取得了很好的效果。

全文目录

摘要  5-7
Abstract  7-13
插图索引  13-15
附表索引  15-16
第1章绪论  16-25
  1.1 人脸识别技术的背景及意义  16
  1.2 人脸识别研究进展  16-20
  1.3 人脸识别技术的优势及其不足  20-21
  1.4 国内外公用人脸图像数据库  21-22
  1.5 本文研究内容简介  22-25
第2章人脸图像预处理技术  25-34
  2.1 人脸图像去噪  25
  2.2 人脸图像超分辨率  25-26
  2.3 人脸图像归一化  26-28
  2.4 人脸检测  28-34
    2.4.1 AdaBoost检测器  28-32
    2.4.2 Adaboost人脸检测方法结果  32-34
第3章基于图嵌入理论的特征选择  34-53
  3.1 引言  34-35
  3.2 先验知识：基于图嵌入理论的特征选择  35-38
  3.3 基于图嵌入的特征选择  38-46
    3.3.1 测量特征重要性的特征分数  38-40
    3.3.2 最优特征子集选择  40-42
    3.3.3 基于特征分数的递归特征消除方法  42-44
    3.3.4 基于子集水平分数的递归特征消除方法  44-45
    3.3.5 计算复杂度  45-46
  3.4 实验结果  46-51
    3.4.1 数据库及实验设计  46-47
    3.4.2 简单数据实验  47-48
    3.4.3 人脸数据库实验结果  48-49
    3.4.4 带噪声的人脸数据库实验结果  49-51
  3.5 本章小结  51-53
第4章基于链式采样方法的特征选择  53-71
  4.1 引言  53-54
  4.2 特征生成机  54-55
  4.3 链式采样  55-62
    4.3.1 基于采样方法的特征选择  56-58
    4.3.2 复杂度分析  58
    4.3.3 效果分析  58-62
    4.3.4 采用样本采样方法加速运算  62
  4.4 实验结果  62-69
  4.5 本章小结  69-71
第5章基于稀疏表示理论的人脸识别  71-87
  5.1 引言  71
  5.2 稀疏表示理论  71-76
    5.2.1 稀疏表示求解算法  72-75
    5.2.2 字典构建  75-76
  5.3 基于稀疏表示理论的人脸识别  76-77
  5.4 小波域稀疏表示人脸识别  77-79
  5.5 实验结果  79-85
    5.5.1 稀疏表示求解算法实验结果  79-83
    5.5.2 人脸识别实验结果  83-85
  5.6 本章小结  85-87
第6章基于决策融合的人脸识别  87-103
  6.1 引言  87-88
  6.2 基于决策融合的人脸识别  88-91
    6.2.1 Gabor小波变换  89
    6.2.2 局部二值模式  89-90
    6.2.3 线性判别分析  90-91
    6.2.4 决策融合人脸识别  91
  6.3 基于分布式压缩传感的图像融合人脸识别  91-95
    6.3.1 分布式压缩传感  93
    6.3.2 基于分布式压缩传感的图像融合人脸识别  93-95
  6.4 实验结果  95-102
    6.4.1 基于决策融合人脸识别实验结果  95-98
    6.4.2 基于分布式压缩传感的人脸识别实验结果  98-102
  6.5 本章小结  102-103
第7章工作总结与展望  103-106
  7.1 论文工作总结  103-104
  7.2 研究展望  104-106
参考文献  106-116
致谢  116-117
附录A 攻读博士学位期间的主要研究成果  117-118

基于稀疏表示和特征选择的人脸识别方法研究

内容摘要

全文目录

相似论文