基于稀疏表示的人脸识别算法研究

作     者：张昱瑶 

作者单位：西北师范大学 

学位级别：硕士

导师姓名：严春满

授予年度：2022年

学科分类：08[工学] 080203[工学-机械设计及理论] 0802[工学-机械工程] 

主      题：人脸识别 稀疏表示 维数约减 融合分类 多分辨率 逆向表示 

摘      要：人脸是一种关键的生物特征,在人类日常地交流中能表达和传递出丰富的信息。随着计算机视觉、物联网技术的迅猛发展,人脸识别因其便捷性和非接触性等诸多优势,成为生物识别领域的研究热点之一。人脸图像作为一种二维数据,普遍存在维度高和数据多等问题,稀疏表示因其简化了图像数据的表示而被广泛地应用于图像处理领域。基于稀疏表示的人脸识别算法在人脸受到光照、局部遮挡等因素的影响时依然保持较强的鲁棒性,因此获得了大量研究人员的关注。本文在深入分析稀疏表示相关理论的基础上,对人脸识别中存在的难点问题展开研究并进行算法的改进。本文的主要工作和创新点如下:(1)基于稀疏表示的分类算法(Sparse Representation based Classification,SRC)使用维度较高且包含冗余信息的整个训练集作为字典对测试样本进行稀疏编码。当训练样本的数量增加时,字典的规模也会相应增大,进而使算法的复杂度增加。针对上述问题,本文提出了一种基于SRC结合稀疏嵌入维数约减的人脸识别算法。首先,该算法在目标函数中引入了鉴别性系数约束项,通过表示系数之间的距离关系减少样本的重构残差。然后,利用样本的标签信息迭代更新投影矩阵和表示系数。最后,将测试样本投影在低维空间中进行分类。在不同人脸数据库上的实验结果表明,所提算法提高了人脸图像在低维空间下的判别能力,相对其它算法可以取得较好的识别效果。(2)大多数人脸识别算法仅利用原始分辨率的图像进行训练,而没有考虑到分辨率不同的图像对字典性能的影响。人脸图像分辨率的变化可能会影响识别效果,导致算法的性能下降。针对上述问题,本文提出了一种多分辨率字典学习结合逆向表示的人脸识别算法。首先,该算法学习与多个分辨率样本相关联的字典,获得多分辨率字典表示下的第一类表示误差。然后,为每个测试样本生成不同的辅助样本,利用其它类别的训练样本、测试样本及其辅助样本依次近似地表示该分辨率下的所有训练样本,获得第二类表示误差。最后,用一种加权融合的方案来获得测试样本的分类结果。在不同人脸数据库上的实验结果表明,所提算法相对其它算法取得了较好的性能并且对分辨率变化更加有效。