论文部分内容阅读
随着现代信息技术的飞速发展,生物特征识别成为模式识别领域最炙手可热的研究方向之一。而在这许多的生物特征中,人脸作为与我们人类密切相关的特征,某种意义上代表了我们每一个个体。人们通过识别人脸来辨别朋友和敌人,那么是否能通过机器来做这项工作呢?于是,人脸识别应运而生,并且因其独特性,无论是工业界还是学术界,对于人脸识别的研究从未停止。虽然人脸识别的研究如火如荼,但准确有效的人脸识别算法、系统依然不多。众所周知,在自然环境下,光照、姿态、遮挡等因素不可预知,而且人脸又是一个非刚性形状,这对人脸识别的准确性的影响是巨大的。上个世纪六七十年代起,大量有重要学术价值的人脸识别算法被人们提出,如Sirovich等人提出的特征脸(Eigenface)方法,Turk等人提出的主成分分析(Principal Component Analysis,PCA),以及 Fisher 提出的 Fisherface 和线性判别分析(Linear Discriminant Analysis,LDA)等等。在人脸识别研究的初级阶段,这些算法对于以后的研究起到了举足轻重的作用。进入二十一世纪以来,大数据和人工智能(Artificial Intelligence,AI)的兴起,给人脸识别领域带来了新的机遇和挑战。人脸对齐(Face Alignment)作为人脸识别的前置环节,对于准确识别至关重要。稀疏表征理论(Sparse Representation)针对高维数据的处理,是应对大数据时代的关键手段之一。基于以上想法,本文主要在这两方面做了以下工作:(1)通过对级联回归模型与随机森林思想的研究,提出了一种基于级联回归模型的人脸对齐算法。利用随机森林思想构建二级级联回归器,获取局部二值特征用于人脸对齐,较原算法效果有所提升。(2)通过对稀疏表征的研究发现,提出了一种新的哈希模型,即哈希表征的字典学习(DLHR),进一步扩展了哈希学习的框架。与传统的哈希方法相比,该方法可以实现有竞争力的图像分类和检索准确性。本部分工作发表于CISP-BMEI2017。(3)通过对稀疏编码思想的总结,本文提出了一种新的基于稀疏表征的分类框架:基于混合范数的仿射约束组稀疏编码(MNACGSC),它提供了对现有ACGSC框架的原则性扩展,具有多个输入样本和规范。给出了优化方案的详细解释,并对图像分类进行了一些实验评估。本部分工作已发表在ICONIP2017(CCFC类)上。本文在LFPW,HELEN和300-W人脸数据库上验证了人脸对齐的准确性。在AR人脸数据库、E-YaleB人脸数据库和MNIST手写数据库中进行了图像分类实验。实验结果表明,本文的模型、算法相较传统的算法不仅仅在识别率上有了一定的提高,在效率方面也有一定的提升。