基于Gabor特征的稀疏表示人臉識別研究.pdf

1、人臉識別是計算視覺中的一個極具挑戰(zhàn)性的課題。雖然目前已涌現(xiàn)一大批具有代表性的方法:例如基于幾何特征模型、子空間分析、彈性圖匹配模型和特征臉等。不過，這些經(jīng)典的方法僅僅考慮了訓(xùn)練樣本的全局分布;計算復(fù)雜度高，對變化的姿態(tài)、光照等情況的魯棒性較差。因此，它們在實際應(yīng)用中受到很大的局限。
　　 與傳統(tǒng)的人臉識別方法相比較，基于稀疏表示的人臉識別方法(Sparse Representation based Classification，

2、SRC)由于其具有高識別率、強(qiáng)魯棒性等優(yōu)勢成為目前關(guān)注的熱點。不過，盡管稀疏表示的人臉識別方法非常具有創(chuàng)新性和實用性，其中仍然存在一些需要進(jìn)一步的研究和討論的問題。例如目前采用的SRC方法大都建立在諸如特征臉、隨機(jī)臉、和Fisher臉的整體特征之上。這種整體特征還不能非常有效的克服表情、光照、和局部變形等問題帶來的負(fù)面影響;SRC方法建立在每個類都有足夠的訓(xùn)練樣本的假設(shè)上，當(dāng)訓(xùn)練樣本較少時SRC方法的性能還有待討論。
　　 在總

3、結(jié)和分析基于稀疏表示人臉識別及其相關(guān)改進(jìn)方法的基礎(chǔ)上，本論文開展了進(jìn)一步的研究，具體地說，突出了基于Gabor特征的稀疏表示人臉識別研究。論文的主要工作以及創(chuàng)新之處如下:
　　 1)給出一種用傳統(tǒng)人臉識別方法實現(xiàn)的實時視頻檢測人臉識別系統(tǒng)，實際應(yīng)用表明該系統(tǒng)受到姿態(tài)、光照等限制大，實際的識別率低;
　　 2)對于Gabor特征的稀疏表示分類方法(Gabor Feature based Sparse Representat

4、ion， GSRC)最小l1范數(shù)稀疏求解精度的問題進(jìn)行討論。本論文將向量總變差模型(Vector-valued Total Variation model，VTV)引入GSRC框架中來取代原始的最小l1范數(shù)稀疏求解算法，從而提高了求解精度，進(jìn)而提高了人臉識別率;
　　 3)最近研究表明基于協(xié)同稀疏表示(Collaborative Representation，CR)人臉識別方法相對SRC方法復(fù)雜度有顯著地降低，且能得到一個具有很