基于貝葉斯壓縮感知的人臉識(shí)別研究.pdf

1、人臉識(shí)別技術(shù)最友好、自然、直接的生物特征識(shí)別手段，在社會(huì)公共安全、政府機(jī)關(guān)、視頻監(jiān)控、電子商務(wù)等領(lǐng)域都有著廣泛的應(yīng)用空間，人臉識(shí)別技術(shù)可分為人臉檢測和識(shí)別兩個(gè)基本過程。首先在視頻錄像中檢測和定位到人臉圖像。然后，通過算法利用數(shù)據(jù)庫進(jìn)行識(shí)別匹配，從而鑒別目標(biāo)人臉，其中光照、人臉姿態(tài)、遮擋、表情等變化給人臉識(shí)別帶來了巨大的挑戰(zhàn)。
　　壓縮感知算法(Compressed Sensing，CS)因?yàn)椴皇軅鹘y(tǒng)Nyquist定理的限制，近年來

2、成為一個(gè)研究熱門領(lǐng)域，在一開始數(shù)據(jù)采集的時(shí)候，去掉多余的信息將信息進(jìn)行壓縮，再利用重構(gòu)算法又能從稀疏的系數(shù)中恢復(fù)成原來的數(shù)據(jù)。后來有學(xué)者將貝葉斯理論與CS相結(jié)合，提出來貝葉斯壓縮感知算法(Bayesian Compressive Sensing，BCS)，BCS是從貝葉斯統(tǒng)計(jì)學(xué)的角度去通過后驗(yàn)分布函數(shù)對(duì)信號(hào)和噪聲進(jìn)行估計(jì)，所以在信號(hào)恢復(fù)時(shí)，一定范圍內(nèi)可以減少噪聲的干擾。
　　BCS因?yàn)槎鄬酉闰?yàn)的引入，在求解后驗(yàn)分布時(shí)算法復(fù)雜度高。

3、視覺詞袋模型和局部特征統(tǒng)計(jì)都是常用的特征提取方法，詞袋模型要用K均值聚類來得到視覺字典，聚類大小的選取對(duì)特征提取的影響，以及更新字典要花費(fèi)很長的時(shí)間。局部特征統(tǒng)計(jì)特征提取算法雖然具有光照和旋轉(zhuǎn)不變性，但對(duì)于人臉圖像多尺度的變化效果不是很理想。
　　針對(duì)以上敘述的問題，論文提出了三個(gè)新的算法來解決:核貝葉斯壓縮感知算法(Kernel Bayesian Compressive Sensing，KBCS)、壓縮稀疏金字塔(Compres

4、sed Spatial Pyramid Model)和多層局部特征統(tǒng)計(jì)(Multi-levelStatistical Local Feature，MSLF)。KBCS是將BCS進(jìn)行核擴(kuò)展，加快貝葉斯壓縮感知的運(yùn)算速率，提高算法魯棒性。CSPM是利用CS的思想將詞袋模型加以改進(jìn)，提高了算法的運(yùn)算效率。MSLF是局部特征統(tǒng)計(jì)與空間金字塔模型的結(jié)合，使算法在一定范圍上能克服人臉圖像不匹配的問題，在常用Extended Yale B、AR、CM