基于范數正則化回歸的人臉識別.pdf

1、近年來，人臉識別技術因其廣泛的應用而備受關注，關于人臉識別的新技術也層出不窮。但是面對復雜的應用環(huán)境，高精度的應用要求，研究魯棒、高效的人臉識別算法具有重要的現實意義。
　　范數正則化的回歸算法在機器學習、模式識別領域應用廣泛。使用范數約束最小化誤差函數，可以引導誤差函數的解傾向于滿足約束的梯度最小方向，基于此的算法如SRC，LASRC，RSC，CRC_RLS，NRS，SPP，CRP等在人臉識別領域取得了良好的效果。本文研究了l1

2、，l2，l21和l∞等范數正則化的回歸算法在人臉分類、人臉特征提取方面的應用。
　　基于l1范數約束的回歸分類算法(LASSO回歸)具有自適應提取數據稀疏特征的能力，魯棒性較強，但是由于待識別的人臉圖像最后要劃分到某一模式中，所以有區(qū)別的稀疏更有意義。本文借鑒組稀疏并利用l∞范數提出了類別稀疏，實驗證明，該算法的分類能力要優(yōu)于傳統(tǒng)的稀疏算法。
　　針對NS(LRC)分類器的多重共線性和缺乏對數據的選擇能力的問題，本文將最近鄰

3、正則化子空間(NRS)引入到人臉識別領域，通過LDA構造Tikhonov矩陣構造了NRS-LDA分類器，并通過實驗詳細闡述LRC，CRC-Pre，NRS，NRS-LDA等分類器的優(yōu)缺點，分析其產生的原因。在充分分析各分類器優(yōu)點之上，結合LRC和NRS的優(yōu)點提出了自適應的最近鄰正則化子空間(ANRS)分類器。
　　針對LRC，PCR不能克服強光噪聲的缺陷，本文借鑒2DPCA的信息表達能力和模糊優(yōu)先比決策提出了分塊的2DPCR算法。首

4、先使用分塊2DPCA對人臉圖像進行特征提取，然后使用線性回歸方法求出每一分塊對應于每類訓練樣本的殘差，最后取每塊最小的前3個殘差，使用模糊相似優(yōu)先比決策判決人臉圖像所屬類別。該算法能夠有效地克服強光噪聲的影響，同時具有較強的姿態(tài)和遮擋魯棒性。
　　稀疏保持投影(SPP)保持了數據間的稀疏重構性，所以可以提取數據的自然鑒別信息。但是l1范數的求解存在計算復雜度高的缺點，CRP使用l2范數替代l1范數，在沒有影響識別率的情況下提高了運