基于局部敏感性和混合稀疏表示的人脸识别研究

发布时间：2017-07-03 01:11

  本文关键词：基于局部敏感性和混合稀疏表示的人脸识别研究

  更多相关文章： 人脸识别 稀疏表示 分组稀疏 局部敏感性 混合稀疏 极限学习机

【摘要】：作为图像处理、模式识别等领域最成功的应用之一,人脸识别由于无需识别对象配合、可远程隐蔽操作、识别过程友好等特点备受关注。除了纯粹的科研意义,在商业和执法中也有着诸多应用,如监管、安全、通讯和人机交互等。经过30年的研究,各种各样的人脸识别方法被研究者相继提出。随着压缩感知理论的兴起,作为其核心技术的稀疏表示,不仅可以降低数据分析和处理的成本,而且可以提高数据的压缩效率,因而基于稀疏表示的方法由于其出色的分类性能以及对噪声和遮挡的鲁棒性受到了研究者的广泛关注,纷纷将科研方向专注于基于稀疏表示的人脸识别研究上,实现人脸识别的更加精准化,提高人脸识别技术。本文对基于稀疏表示的人脸识别方法展开深入研究,并在此基础上,对稀疏编码加入局部敏感性、分组稀疏性以及混合稀疏性的约束,从而提高人脸图像的分类性能。本论文的主要内容和创新点如下：1)首先介绍了本文所涉及领域与其相关技术的研究现状,概述了本文研究方法所在的人脸识别框架平台,继而归纳总结了本文主要研究重点,即稀疏表示的相关基础知识。2)提出了基于局部敏感性分组稀疏表示的人脸识别分类方法。该方法通过对稀疏编码加以局部约束性,保留了测试样本和相邻训练数据间的相似性,以获得更多包含判别信息的有效稀疏表示系数,并分别与两种分组稀疏方法相结合,解决了训练样本字典内部结构性问题。实验将在ORL人脸库,AR人脸库以及Extended Yale B人脸库上分别进行,以验证该方法有效性。3)提出基于核局部敏感性分组稀疏的极限学习机人脸识别分类方法。该方法将首先对于稀疏表征加以局部敏感性与分组稀疏性的双重约束,既考虑了训练数据的字典结构性问题,也保留了对稀疏编码的局部约束性,并在考虑局部约束性时加入高斯核函数以提高约束性能,再将其与极限学习机相结合。弥补了拥有较快学习速度的极限学习机在应用于分类时由于对噪声敏感以致准确性较低,而分类性能较好且对光照、噪声等鲁棒的稀疏表示方法却较为耗时的不足,实现了在拥有较快识别速度的同时,保持较好分类识别性能。本文将在ORL人脸库,AR人脸库以及Extended Yale B人脸库上进行多组对比实验,分别测试该方法的识别率与分类时间。4)提出基于非级联Gabor特征的混合稀疏表示人脸识别分类方法。该方法将对光照、姿态及表情等变化具有较好鲁棒性的Gabor特征应用到稀疏表征方法中,并充分考虑5尺度和8方向上的所有Gabor特征信息,即用提取得到的人脸图像的多尺度多方向的Gabor局部特征替换稀疏表征中原先使用的全局特征,并使用主成分分析方法对图像进行降维,而后在进行稀疏表征时采用混合稀疏表示方法,综合考虑数据的分组结构性与整体稀疏性,并通过求解混合稀疏最小化问题来得到最终识别结果。该方法的实验将在AR和Extended Yale B标准人脸库上进行,以验证该方法的可行性及有效性。
【关键词】：人脸识别 稀疏表示 分组稀疏 局部敏感性 混合稀疏 极限学习机
【学位授予单位】：安徽大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.41
【目录】：

• 摘要3-5
• Abstract5-9
• 第一章 绪论9-16
• 1.1 研究背景及意义9-10
• 1.2 国内外研究现状及技术研究难点10-13
• 1.2.1 国内外研究现状10-12
• 1.2.2 技术研究难点12-13
• 1.3 本文主要研究内容及创新点13-14
• 1.4 本文组织结构14-16
• 第二章 基本理论16-23
• 2.1 人脸识别基本流程16-21
• 2.1.1 人脸检测16-17
• 2.1.2 图像预处理17-18
• 2.1.3 特征提取18-19
• 2.1.4 分类识别19-21
• 2.2 稀疏表征理论21-23
• 2.2.1 稀疏表示21-22
• 2.2.2 分组稀疏22-23
• 第三章 基于局部敏感性分组稀疏表示的人脸识别研究23-43
• 3.1 基于局部敏感性分组稀疏表示的人脸识别算法23-25
• 3.1.1 概述23
• 3.1.2 LS-GSRC算法实现23-25
• 3.2 基于核局部敏感性分组稀疏的极限学习机人脸识别算法25-30
• 3.2.1 极限学习机25-28
• 3.2.2 LS-GSE算法实现28-30
• 3.3 模拟试验及分析30-43
• 3.3.1 实验数据集30
• 3.3.2 LS-GSRC实验与结果分析30-33
• 3.3.3 LS-GSE实验与结果分析33-43
• 第四章 基于非级联Gabor特征的混合稀疏表示方法的鲁棒人脸识别43-53
• 4.1 Gabor特征概述43-44
• 4.2 基于非级联Gabor特征的混合稀疏表示人脸识别算法44-47
• 4.2.1 混合稀疏表示44-45
• 4.2.2 算法实现45-47
• 4.3 模拟试验及分析47-53
• 4.3.1 实验数据集47
• 4.3.2 模拟实验47-51
• 4.3.3 实验分析51-53
• 第五章 总结与展望53-56
• 5.1 总结53-54
• 5.2 展望54-56
• 参考文献56-62
• 致谢62-63
• 硕士期间发表的论文与参加的科研项目63

【相似文献】

中国期刊全文数据库 前10条

1 李映;张艳宁;许星;;基于信号稀疏表示的形态成分分析:进展和展望[J];电子学报;2009年01期

2 赵瑞珍;王飞;罗阿理;张彦霞;;基于稀疏表示的谱线自动提取方法[J];光谱学与光谱分析;2009年07期

3 杨蜀秦;宁纪锋;何东健;;基于稀疏表示的大米品种识别[J];农业工程学报;2011年03期

4 史加荣;杨威;魏宗田;;基于非负稀疏表示的人脸识别[J];计算机工程与设计;2012年05期

5 高志荣;熊承义;笪邦友;;改进的基于残差加权的稀疏表示人脸识别[J];中南民族大学学报(自然科学版);2012年03期

6 朱杰;杨万扣;唐振民;;基于字典学习的核稀疏表示人脸识别方法[J];模式识别与人工智能;2012年05期

7 耿耀君;张军英;袁细国;;一种基于稀疏表示系数的特征相关性测度[J];模式识别与人工智能;2013年01期

8 张疆勤;廖海斌;李原;;基于因子分析与稀疏表示的多姿态人脸识别[J];计算机工程与应用;2013年05期

9 李正周;王会改;刘梅;丁浩;金钢;;基于形态成分稀疏表示的红外小弱目标检测[J];弹箭与制导学报;2013年04期

10 胡正平;赵淑欢;李静;;基于块稀疏递推残差分析的稀疏表示遮挡鲁棒识别算法研究[J];模式识别与人工智能;2014年01期

中国重要会议论文全文数据库 前3条

1 何爱香;刘玉春;魏广芬;;基于稀疏表示的煤矸界面识别研究[A];虚拟运营与云计算——第十八届全国青年通信学术年会论文集（上册）[C];2013年

2 樊亚翔;孙浩;周石琳;邹焕新;;基于元样本稀疏表示的多视角目标识别[A];2013年中国智能自动化学术会议论文集（第五分册）[C];2013年

3 葛凤翔;任岁玲;郭鑫;郭良浩;孙波;;微弱信号处理及其研究进展[A];中国声学学会水声学分会2013年全国水声学学术会议论文集[C];2013年

中国博士学位论文全文数据库 前10条

1 李进明;基于稀疏表示的图像超分辨率重建方法研究[D];重庆大学;2015年

2 王亚宁;基于信号稀疏表示的电机故障诊断研究[D];河北工业大学;2014年

3 姚明海;视频异常事件检测与认证方法研究[D];东北师范大学;2015年

4 黄国华;蛋白质翻译后修饰位点与药物适应症预测方法研究[D];上海大学;2015年

5 王瑾;基于稀疏表示的数据收集、复原与压缩研究[D];北京工业大学;2015年

6 王文卿;基于融合框架与稀疏表示的遥感影像锐化[D];西安电子科技大学;2015年

7 解虎;高维小样本阵列自适应信号处理方法研究[D];西安电子科技大学;2015年

8 秦振涛;基于稀疏表示及字典学习遥感图像处理关键技术研究[D];成都理工大学;2015年

9 薛明;基于稀疏表示的在线目标跟踪研究[D];上海交通大学;2014年

10 孙乐;空谱联合先验的高光谱图像解混与分类方法[D];南京理工大学;2014年

中国硕士学位论文全文数据库 前10条

1 王道文;基于稀疏表示的目标跟踪算法研究[D];华南理工大学;2015年

2 李哲;基于稀疏表示和LS-SVM的心电信号分类[D];河北大学;2015年

3 孙雪青;Shearlet变换和稀疏表示相结合的甲状腺结节图像融合[D];河北大学;2015年

4 吴丽璇;基于稀疏表示的微聚焦X射线图像去噪方法[D];华南理工大学;2015年

5 赵孝磊;基于图像分块稀疏表示的人脸识别算法研究[D];南京信息工程大学;2015年

6 黄志明;基于辨别式稀疏字典学习的视觉追踪算法研究[D];华南理工大学;2015年

7 张铃华;非约束环境下的稀疏表示人脸识别算法研究[D];南京信息工程大学;2015年

8 贺妍斐;基于稀疏表示与自适应倒易晶胞的遥感图像复原方法研究[D];南京信息工程大学;2015年

9 杨烁;电能质量扰动信号的稀疏表示/压缩采样研究[D];西南交通大学;2015年

10 应艳丽;基于低秩稀疏表示的目标跟踪算法研究[D];西南交通大学;2015年

  本文关键词：基于局部敏感性和混合稀疏表示的人脸识别研究

  更多相关文章： 人脸识别 稀疏表示 分组稀疏 局部敏感性 混合稀疏 极限学习机

，

本文编号：511898