表示分类学习新方法及其在人脸识别中的应用

发布时间：2021-11-06 21:09

　　表示分类学习理论作为近几年的研究热点,被成功地应用到人脸识别领域后,取得了非常重要的研究成果。虽然这一理论从一个创新的视角解决了人脸识别问题,但仍面临着许多挑战:一、没有充分体现和利用训练图像特征,其识别效果可能存在一定偶然性;二、对采集的样本图像数量有一定要求,即需要过完备的样本字典;三、时间复杂度高,不能完全满足实际应用的效率要求,等等。针对上述问题,本文深入分析和研究了表示分类学习理论,提出了5种表示分类优化算法,具体工作如下:（1）本文从3个方面分析和探究了当前几种具有代表性的表示分类改进方法。一、特征提取方面,包括:主成分分析法、线性判别分析法以及卷积神经网络;二、扩充样本集方面,包括:扩展的稀疏表示分类算法和结合原始与镜像人脸图像的识别算法;三、改进分类策略方面,包括:两阶段稀疏表示分类算法、应用迭代类剔除策略的稀疏表示分类算法以及基于常规和逆向表示的线性回归分类算法。最后,通过对这些算法的原理和运行过程的学习,我们可以从中受到启发,为本文接下来的工作奠定基础。（2）针对小样本人脸识别中,表示分类算法识别率低,时间复杂度高等问题。本文基于扩展的稀疏表示分类算法,提出了 4种... 

【文章来源】：江南大学江苏省 211工程院校 教育部直属院校

【文章页数】：79 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 课题背景及其研究意义
    1.2 表示分类学习理论概述
        1.2.1 基于稀疏表示分类算法
        1.2.2 基于协同表示分类算法
        1.2.3 线性回归分类算法
    1.3 表示分类学习理论的研究进展
    1.4 本文涉及数据库简介
        1.4.1 AR人脸数据库
        1.4.2 FERET人脸数据库
        1.4.3 ORL人脸数据库
        1.4.4 LFW人脸数据库
        1.4.5 FRGC人脸数据库
    1.5 本文结构安排
第二章 表示分类学习理论与改进算法研究
    2.1 通过特征提取改进表示分类算法
        2.1.1 主成分分析法
        2.1.2 线性判别分析法
        2.1.3 卷积神经网络
    2.2 通过扩充样本集改进表示分类算法
        2.2.1 结合原始与镜像人脸图像的识别算法
        2.2.2 扩展的稀疏表示分类算法
    2.3 通过改进分类策略改进表示分类算法
        2.3.1 两阶段稀疏表示分类算法
        2.3.2 使用迭代类剔除策略的稀疏表示分类算法
        2.3.3 基于常规和逆向表示的线性回归分类算法
    2.4 实验测试与分析
    2.5 本章小结
第三章 降维系数解空间中二次优化的快速稀疏表示分类方法
    3.1 引言
    3.2 扩展的稀疏表示分类方法
    3.3 降维系数解空间中二次优化的快速稀疏表示分类方法
        3.3.1 扩展的稀疏PCA算法
        3.3.2 基于扩展PCA的ESRC算法
        3.3.3 扩展的稀疏LDA算法
        3.3.4 基于CNN特征的ES-PCA算法
    3.4 算法分析及细节探究
        3.4.1 算法间相关性分析
        3.4.2 ES-PCA算法分析
        3.4.3 EP-SRC算法分析
        3.4.4 ES-LDA算法分析
        3.4.5 算法优缺点分析
        3.4.6 时间复杂度分析
    3.5 实验及结果分析
        3.5.1 实验参数设置
        3.5.2 AR人脸数据库实验
        3.5.3 FERERT人脸数据库实验
        3.5.4 ORL人脸数据库实验
        3.5.5 LFW人脸数据库实验
        3.5.6 FRGC人脸数据库实验
        3.5.7 不同数据库上应用CNN特征的实验
    3.6 本章小结
第四章 基于卷积神经网络的双向协同表示分类方法
    4.1 引言
    4.2 相关工作简介
        4.2.1 VGGNet简介
        4.2.2 基于常规和逆向表示的线性回归分类算法简介
    4.3 基于卷积神经网络的双向协同表示分类方法
    4.4 算法分析及细节探究
        4.4.1 CNN特征提取
        4.4.2 高效的双向协同表示模型
    4.5 实验及结果分析
        4.5.1 AR人脸数据库实验
        4.5.2 FERET人脸数据库实验
        4.5.3 ORL人脸数据库实验
        4.5.4 LFW人脸数据库实验
        4.5.5 FRGC人脸数据库实验
        4.5.6 本文优化算法比较
    4.6 本章小结
第五章 总结与展望
    5.1 结论
    5.2 展望
致谢
参考文献
附录: 作者在攻读硕士学位期间发表的论文


【参考文献】：
期刊论文
[1]Robust facial landmark detection and tracking across poses and expressions for in-the-wild monocular video[J]. Shuang Liu,Yongqiang Zhang,Xiaosong Yang,Daming Shi,Jian J.Zhang.  Computational Visual Media. 2017(01)
[2]自适应学习的多特征元素协同表示分类算法[J]. 王建仁,魏龙,段刚龙,黄梯云.  计算机应用. 2014(04)
[3]子模式局部保持映射人脸识别算法[J]. 任成娟,胡淑芳,刘崇文.  重庆理工大学学报(自然科学). 2011(06)
[4]基于局部线性嵌入（LLE）非线性降维的多流形学习[J]. 马瑞,王家廞,宋亦旭.  清华大学学报(自然科学版). 2008(04)
[5]人脸识别技术综述[J]. 张翠平,苏光大.  中国图象图形学报. 2000(11)

博士论文
[1]模式识别的核方法研究[D]. 厉小润.浙江大学 2007



本文编号：3480528