基于低秩表示的人臉識別方法研究.pdf

1、人臉識別(FR)是計算機視覺、機器學習和模式識別的基本問題之一。經過多年的研究，魯棒人臉識別成為最熱門的研究課題之一，圖像的遮擋、偏移以及各種變化（例如，姿態(tài)，表情和光照）仍然是一個非常具有挑戰(zhàn)性的問題。近年來，低秩表示(LRR)已被研究并成功地用于單個子空間到多個子空間中被噪聲污染數據的恢復。LRR的目的是尋找數據向量的低秩表示并自動糾正數據的噪聲。LRR的成功極大地促進了分類和聯合字典學習中低秩表示的研究。
　　本文針對LRR

2、在人臉識別應用中的問題，設計了新的FR算法，用于處理帶有噪聲的數據和訓練字典來提高分類效果。研究表明，樣本的的低秩表示對算法的成功起著決定性的作用。首先提出了一種新的應用于人臉識別的圖像分類方法，稱為低秩表示分類(LRRC)。相對于訓練樣本，尋找一組測試樣本的低秩表示，該算法分類效果很好。實驗結果也表明，編碼系數的核范數正則化和LRRC中殘差編碼可以達到甚至超I1正則化性能。
　　本文利用人臉圖像的非線性信息，討論采用核方法提高L

3、RR的性能。提出了核低秩表示分類(KLRRC)方法，這是LRRC的一個非線性擴展，并首次將其應用于人臉識別。利用核技巧，通過引入核函數將輸入數據映射到核特征空間。我們構建了一個變換矩陣來降低核特征空間的維數，并且在核特征空間中執(zhí)行LRRC。在幾個不同的人臉數據集中，實驗結果表明了本文方法的有效性和魯棒性。
　　本文的第三大貢獻是使用換位判別低秩表示(T_ DLRR)的方法來識別加入噪聲的訓練和測試人臉圖像。首先，我們采用帶有判別正

4、則化項的LRR去除原始訓練數據噪聲，使得低秩矩陣恢復對分類任務更具有判別能力。其次，采用T_DLRR提取數據的顯著性特征。此外，我們還學習了恢復結果和原始訓練樣本之間的低秩投影，校正加入噪聲的測試樣本。最后，對每一個類別學習一個子空間，將所有的測試樣本投影到所有的子空間中，最小的子空間投影誤差對應的類作為該測試樣本的類別。實驗中，我們在四個人臉數據庫上，驗證了提出方法的有效性和魯棒性。
　　最后，我們討論學習低秩表示詞典的問題，提

5、出一種新的判別性低秩字典學習(DLR_DL)的人臉識別算法?；贚RR，我們引入一個帶有訓練數據標簽信息的理想正則項，以獲得低秩系數。在字典學習過程中，通過優(yōu)化類間和類內子字典的重構誤差，使得學習到的字典對訓練樣本有更好的表示能力。此外，我們還強制每個子字典低秩，從而降低訓練樣本的噪聲并使學習到的字典更加緊致。最后，使用學習到的字典和結構化低秩表示來實現分類。在同等學習條件下，相比于已有的字典學習方法，本文提出的判別低秩詞典學習(DLR