多字典奇异人脸识别算法研究

发布时间：2021-10-15 18:27

　　字典学习和稀疏表示在非奇异人脸识别方面取得较大突破,但当人们用墨镜、围巾、假胡子等有意遮挡面部时,会引入大量变体,导致识别性能降低。样本多样性不足、可得数据量小等实际情况会使训练样本不足以表示测试样本变量,样本受损也会影响训练样本对测试样本的判别表示,因此需要学习更鲁棒的判别字典。该文在总结国内外字典学习算法基础上,提出以下三种改进算法:首先,针对传统稀疏编码用₁l或₂l范数解稀疏系数,对伪装人脸识别不够鲁棒,又仅进行单一身份认证,未能检测出人脸面部奇异信息,为此提出基于迭代重加权稀疏编码的双标签奇异人脸识别算法。该算法将无伪装样本作为判别字典,提出加权鲁棒稀疏编码模型,并用迭代重加权稀疏编码算法求解,解得的权能够刻画面部的奇异映射。最后利用权的物理意义构造奇异字典进行面部奇异分类,并在权空间用判别字典进行身份识别,同时完成人脸身份和面部奇异类型的判别。其次,针对样本数据量小、多样性不足等情况下的伪装人脸识别,提出基于多尺度韦伯对称局部图表结构特征联合核扩展稀疏表示的人脸识别算法。该算法首先将样本分成训练集、画廊集、测试集,训练集含有非画廊集... 

【文章来源】：燕山大学河北省

【文章页数】：69 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 课题研究背景及意义
    1.2 国内外研究现状
    1.3 本文研究内容
    1.4 本文组织结构
第2章 基于字典学习的人脸识别算法基础
    2.1 稀疏表示分类理论
    2.2 字典学习
    2.3 低秩表示
    2.4 特征提取模型
        2.4.1 LBP特征提取模型
        2.4.2 WSLGS特征提取模型
    2.5 人脸数据集简介
    2.6 本章小结
第3章 基于迭代重加权稀疏编码的双标签奇异人脸识别算法
    3.1 引言
    3.2 基于迭代重加权稀疏编码的双标签奇异人脸识别
        3.2.1 加权鲁棒稀疏编码
        3.2.2 迭代重加权稀疏编码算法
        3.2.3 基于迭代重加权稀疏编码的双标签分类
        3.2.4 算法的收敛性分析
    3.3 实验结果与分析
        3.3.1 AR数据集仿真实验
        3.3.2 YaleB数据集仿真实验
        3.3.3 CMU-PIE数据集仿真实验
    3.4 本章小结
第4章 多尺度WSLGS特征联合核扩展稀疏表示的奇异人脸识别算法
    4.1 引言
    4.2 多尺度WSLGS特征联合核扩展稀疏表示的奇异人脸识别算法
        4.2.1 多尺度WSLGS特征提取
        4.2.2 扩展稀疏表示分类(ESRC)
        4.2.3 核判别分析
        4.2.4 核空间奇异模型的构建
        4.2.5 构造核扩展字典(KED)
        4.2.6 完整的算法流程
    4.3 实验结果与分析
        4.3.1 AR数据集仿真实验
        4.3.2 YaleB数据集仿真实验
        4.3.3 CMU-PIE数据集仿真实验
    4.4 本章小结
第5章 基于多尺度LBP特征的低秩双字典学习算法
    5.1 引言
    5.2 基于多尺度LBP特征的低秩双字典学习算法
        5.2.1 特征提取
        5.2.2 图像包含的信息类型及性能分析
        5.2.3 低秩双字典学习算法的目标函数
        5.2.4 低秩双字典学习的优化
        5.2.5 低秩双字典学习的分类
    5.3 实验结果与分析
        5.3.1 AR数据集仿真实验
        5.3.2 YaleB数据集仿真实验
        5.3.3 CMU-PIE数据集仿真实验
    5.4 本章小结
结论
参考文献
致谢



本文编号：3438420