论文部分内容阅读
人脸识别作为现代生物特征识别技术在生活中的一项重要应用,能够利用人脸图片的视觉特征进行身份识别,具有广阔的应用前景。与传统的身份识别方法相比,人脸信息很难被他人模仿或者伪造且随身携带,其较强的安全性、保密性、易操作性使人脸识别广泛应用于实际生活中。另外,人脸识别方法的研究涉及到机器学习、模式识别、数据挖掘等学科领域,作为交叉学科在生活中的一个实际应用,具有重要的理论研究意义。基于稀疏表示的方法是近些年比较流行的人脸识别方法。该方法将测试样本线性表示成字典原子的权值系数,根据该系数判断测试样本类别信息能够获得较高的识别率,并且具有较强的鲁棒性。稀疏表示理论表明,任意一幅图片可以用过完备字典原子(可由样本向量表示)进行稀疏重构。理想状态下,异类样本重构表示系数为零,而同类样本为非零值,可由此判断样本类别。为了提高算法的性能,增强字典的表达能力,训练有效的字典已成为人们研究的热点。本文结合特征脸提取与低秩表示理论,对稀疏表示字典进行了改进,提出了基于低秩表示与特征脸的稀疏表示人脸识别算法。具体工作如下：(1)分别使用Robust PCA算法(用于处理单类人脸图片)以及LRR算法(用于处理多类人脸图片)提取原始图片的低秩图片。通过低秩表示算法抑制光照、表情变化甚至阻挡块以及随机噪声等不利影响,使所提取的特征更加真实。(2)在所提取的低秩图片上提取梯度直方图(HOG)特征,该特征能够很好的捕获人脸轮廓和纹理信息,具有很强的区分性。(3)在HOG特征矩阵的基础上利用奇异值分解提取特征脸矩阵,由特征脸构造紧凑的稀疏表示字典,从而降低算法时间复杂度。实验结果表明：在现流行的多个人脸数据集如Extended Yale B、AR、ORL、 CMU PIE上,本论文所改进的算法较其他经典算法如支持向量机、标准稀疏表示分类器等具有较高的识别率。另外,通过在数据图片上增加不同比例的随机噪声、随机块阻挡或真实阻挡等污染,验证了改进算法具有较强的鲁棒性。