稀疏性與協(xié)同性相結(jié)合的多信息融合的人臉識(shí)別算法.pdf

1、隨著信息科學(xué)技術(shù)的快速發(fā)展，人臉識(shí)別技術(shù)在信息安全領(lǐng)域承擔(dān)著越來越重要的作用，應(yīng)用于安全監(jiān)控、電子商務(wù)、安全防務(wù)等領(lǐng)域的前景越發(fā)廣闊。但實(shí)際應(yīng)用中易受光照、遮擋、姿態(tài)、表情、背景等非理想條件下的因素影響，尋求魯棒的人臉識(shí)別技術(shù)具有非常重要的現(xiàn)實(shí)意義。稀疏表示和協(xié)同表示成為近年來的研究熱點(diǎn)，它們能夠捕獲人臉圖像的本質(zhì)特征，在人臉識(shí)別中獲取較好的識(shí)別效果。協(xié)同表示分類需要字典中列向量之間不相關(guān)。但人臉識(shí)別中，有時(shí)不同類別人臉圖像之間可能存在

2、較多的相似圖案，因此字典的列向量的相關(guān)度較高，進(jìn)而導(dǎo)致協(xié)同表示分類最終可能產(chǎn)生錯(cuò)誤的分類結(jié)果。另外，基于協(xié)同表示建立在大量訓(xùn)練樣本基礎(chǔ)之上，難以滿足在現(xiàn)實(shí)人臉識(shí)別中單樣本情形。針對(duì)協(xié)同表示分類問題和單樣本人臉識(shí)別問題，主要做了如下兩個(gè)方面的工作:
　　(1)相對(duì)于稀疏表示分類，協(xié)同表示分類在取得較高分類正確率同時(shí)降低了運(yùn)算量。但與稀疏表示分類一樣，協(xié)同表示分類的字典的列向量的相關(guān)度較高，最終導(dǎo)致可能集中在錯(cuò)誤的類別上。核函數(shù)為維度

3、變換函數(shù)，將特征向量由低維空間投影到高維度空間，增大類別間的幾何距離，使得線性不可分變?yōu)榫€性可分。為了增強(qiáng)分類效果，本文提出基于核協(xié)同表示的人臉識(shí)別算法，首先應(yīng)用KPCA算法把人臉圖像映射到非線性特征子空間，提取最有效識(shí)別特征。在分類時(shí)，針對(duì)特征維數(shù)比較大的問題，采用正則化的最小二乘解進(jìn)行分類。在AR人臉庫上測試表明，在較大維數(shù)時(shí)，該算法不僅在遮擋、光照等條件下識(shí)別率較CRC有了很大的提高，而且由于避免了白．范數(shù)最小化算法有效的提高了執(zhí)

4、行效率。
　　(2)針對(duì)單樣本人臉識(shí)別問題，傳統(tǒng)的SIFT算法提取出的穩(wěn)定特征描述子對(duì)存在平移、旋轉(zhuǎn)、仿射變換、視角變化、光照變化的兩幅圖像取得很好的匹配效果。但是，人臉圖像存在多個(gè)相似區(qū)域，SIFT算法在對(duì)人臉圖像進(jìn)行特征提取時(shí)，會(huì)出現(xiàn)大量的錯(cuò)配點(diǎn)對(duì)，另外算法復(fù)雜度較高。本文提出基于trace變換局部不變性特征的人臉識(shí)別算法。該算法首先應(yīng)用一階Scharr算子、二階尺度適應(yīng)的高斯型拉普拉斯算子(LOG)和Harris濾波器定位特

5、征點(diǎn)，接著在特征點(diǎn)的鄰域內(nèi)進(jìn)行trace變換得到具旋轉(zhuǎn)和尺度不變性的特征描述子，最后根據(jù)特征描述子的特征向量和坐標(biāo)值實(shí)現(xiàn)由粗到精的匹配。由于在特征提取階段加入了Scharr算子與Harris角點(diǎn)檢測保證在較少關(guān)鍵點(diǎn)的情況下達(dá)到較好的識(shí)別效果，并保證了效率。另外，整個(gè)識(shí)別過程不涉及參數(shù)選擇問題，保證了算法的穩(wěn)定性。在常用人臉數(shù)據(jù)庫ORL、AR、Extend Yale B進(jìn)行實(shí)驗(yàn)結(jié)果表明，與SIFT算法相比，該算法提高了識(shí)別率，降低了計(jì)算復(fù)