【摘要】：人臉識(shí)別以其友好性和便捷性,成為生物識(shí)別的研究熱點(diǎn)�；谙∈璞硎救四樧R(shí)別方法因諸多優(yōu)點(diǎn)受到廣泛關(guān)注,本文基于國(guó)內(nèi)外相關(guān)學(xué)者研究基礎(chǔ)上,分成三章節(jié)對(duì)稀疏表示人臉識(shí)別算法進(jìn)行改進(jìn)。首先,針對(duì)訓(xùn)練樣本字典學(xué)習(xí)僅包含全局信息、缺乏局部信息的不足,引入與類(lèi)別相關(guān)的原子字典,提出基于原子與分子字典聯(lián)合擴(kuò)展的加權(quán)稀疏表示人臉識(shí)別方法。通過(guò)對(duì)各類(lèi)訓(xùn)練樣本進(jìn)行主成分分析,構(gòu)造主成分基原子字典,同時(shí)將訓(xùn)練樣本字典作為分子字典。進(jìn)而,利用原子字典與分子字典結(jié)合得到擴(kuò)展字典模型。測(cè)試時(shí),根據(jù)測(cè)試樣本與擴(kuò)展字典基之間的距離進(jìn)行加權(quán)得到與當(dāng)前測(cè)試樣本關(guān)聯(lián)的重構(gòu)字典集,最后對(duì)測(cè)試樣本稀疏重構(gòu),利用殘差進(jìn)行分類(lèi)判別。其次,傳統(tǒng)稀疏表示分類(lèi)字典模型在稀疏重構(gòu)或重構(gòu)殘差時(shí)只考慮了辨別性信息,識(shí)別性能受到限制的問(wèn)題,因此提出一種新的字典構(gòu)造方法。對(duì)所有訓(xùn)練樣本進(jìn)行主成分分析,得到共享性分子字典,將訓(xùn)練樣本作為辨別性原子字典,從而構(gòu)造為擴(kuò)展字典。然后,使用擴(kuò)展字典對(duì)測(cè)試樣本進(jìn)行稀疏表示。最后,計(jì)算每類(lèi)樣本的表示概率,選取最大概率類(lèi)別進(jìn)行分類(lèi)。最后,針對(duì)訓(xùn)練樣本和測(cè)試樣本均存在光照及遮擋時(shí),破壞圖像低秩結(jié)構(gòu)問(wèn)題,提出基于監(jiān)督低秩子空間恢復(fù)的正則魯棒稀疏表示人臉識(shí)別算法。首先,將所有訓(xùn)練樣本構(gòu)造成矩陣,并進(jìn)行監(jiān)督低秩矩陣分解,分解為低秩類(lèi)相關(guān)結(jié)構(gòu),低秩類(lèi)內(nèi)差異結(jié)構(gòu)和稀疏誤差結(jié)構(gòu),利用主成分分析找到類(lèi)相關(guān)結(jié)構(gòu)低秩子空間的變換矩陣,再通過(guò)變換矩陣將訓(xùn)練樣本和測(cè)試樣本投影到低秩子空間。最后,通過(guò)正則魯棒稀疏編碼進(jìn)行加權(quán)分類(lèi)識(shí)別。
[Abstract]:Because of its friendliness and convenience, face recognition has become the research hotspot of biometric recognition. Face recognition based on sparse representation has attracted much attention because of its many advantages. Based on the research of relevant scholars at home and abroad, this paper divides into three chapters to improve the sparse representation face recognition algorithm. Firstly, because the training sample dictionary learning contains only global information and lacks local information, an atomic dictionary related to category is introduced, and a weighted sparse representation face recognition method based on the joint expansion of atomic and molecular dictionaries is proposed. Through the principal component analysis of all kinds of training samples, the principal component based atomic dictionary is constructed. At the same time, the training sample dictionary is used as a molecular dictionary. Furthermore, an extended dictionary model is obtained by combining atomic dictionary with molecular dictionary. According to the distance between the test sample and the extended dictionary base, the reconstructed dictionary set associated with the current test sample is obtained. Finally, the sparse reconstruction of the test sample is performed, and the residual error is used to classify and discriminate. Secondly, the traditional sparse representation classification dictionary model only considers the discriminative information and the recognition performance is limited in sparse reconstruction or reconstruction residuals, so a new dictionary construction method is proposed. All training samples are analyzed by principal component analysis and shared molecular dictionaries are obtained. The training samples are used as discriminative atomic dictionaries and thus are constructed as extended dictionaries. Then, the test samples are represented sparsely using an extended dictionary. Finally, the representation probability of each kind of sample is calculated, and the maximum probability category is selected for classification. Finally, a regular-robust sparse representation face recognition algorithm based on supervised low-rank subspace restoration is proposed to destroy the low-rank image structure when both training and test samples have illumination and occlusion. First of all, all the training samples are constructed into matrices, and the supervised low rank matrix is decomposed into low rank correlation structure, low rank class difference structure and sparse error structure. The transformation matrix of low rank subspace with class correlation structure is found by principal component analysis, and then the training sample and test sample are projected to low rank subspace through the transformation matrix. Finally, weighted classification and recognition are carried out by regular robust sparse coding.
【學(xué)位授予單位】：燕山大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類(lèi)號(hào)】：TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 李映;張艷寧;許星;;基于信號(hào)稀疏表示的形態(tài)成分分析:進(jìn)展和展望[J];電子學(xué)報(bào);2009年01期

2 趙瑞珍;王飛;羅阿理;張彥霞;;基于稀疏表示的譜線自動(dòng)提取方法[J];光譜學(xué)與光譜分析;2009年07期

3 楊蜀秦;寧紀(jì)鋒;何東健;;基于稀疏表示的大米品種識(shí)別[J];農(nóng)業(yè)工程學(xué)報(bào);2011年03期

4 史加榮;楊威;魏宗田;;基于非負(fù)稀疏表示的人臉識(shí)別[J];計(jì)算機(jī)工程與設(shè)計(jì);2012年05期

5 高志榮;熊承義;笪邦友;;改進(jìn)的基于殘差加權(quán)的稀疏表示人臉識(shí)別[J];中南民族大學(xué)學(xué)報(bào)(自然科學(xué)版);2012年03期

6 朱杰;楊萬(wàn)扣;唐振民;;基于字典學(xué)習(xí)的核稀疏表示人臉識(shí)別方法[J];模式識(shí)別與人工智能;2012年05期

7 耿耀君;張軍英;袁細(xì)國(guó);;一種基于稀疏表示系數(shù)的特征相關(guān)性測(cè)度[J];模式識(shí)別與人工智能;2013年01期

8 張疆勤;廖海斌;李原;;基于因子分析與稀疏表示的多姿態(tài)人臉識(shí)別[J];計(jì)算機(jī)工程與應(yīng)用;2013年05期

9 李正周;王會(huì)改;劉梅;丁浩;金鋼;;基于形態(tài)成分稀疏表示的紅外小弱目標(biāo)檢測(cè)[J];彈箭與制導(dǎo)學(xué)報(bào);2013年04期

10 胡正平;趙淑歡;李靜;;基于塊稀疏遞推殘差分析的稀疏表示遮擋魯棒識(shí)別算法研究[J];模式識(shí)別與人工智能;2014年01期

相關(guān)會(huì)議論文 前3條

1 何愛(ài)香;劉玉春;魏廣芬;;基于稀疏表示的煤矸界面識(shí)別研究[A];虛擬運(yùn)營(yíng)與云計(jì)算——第十八屆全國(guó)青年通信學(xué)術(shù)年會(huì)論文集（上冊(cè)）[C];2013年

2 樊亞翔;孫浩;周石琳;鄒煥新;;基于元樣本稀疏表示的多視角目標(biāo)識(shí)別[A];2013年中國(guó)智能自動(dòng)化學(xué)術(shù)會(huì)議論文集（第五分冊(cè)）[C];2013年

3 葛鳳翔;任歲玲;郭鑫;郭良浩;孫波;;微弱信號(hào)處理及其研究進(jìn)展[A];中國(guó)聲學(xué)學(xué)會(huì)水聲學(xué)分會(huì)2013年全國(guó)水聲學(xué)學(xué)術(shù)會(huì)議論文集[C];2013年

相關(guān)博士學(xué)位論文 前10條

1 李進(jìn)明;基于稀疏表示的圖像超分辨率重建方法研究[D];重慶大學(xué);2015年

2 王亞寧;基于信號(hào)稀疏表示的電機(jī)故障診斷研究[D];河北工業(yè)大學(xué);2014年

3 姚明海;視頻異常事件檢測(cè)與認(rèn)證方法研究[D];東北師范大學(xué);2015年

4 黃國(guó)華;蛋白質(zhì)翻譯后修飾位點(diǎn)與藥物適應(yīng)癥預(yù)測(cè)方法研究[D];上海大學(xué);2015年

5 王瑾;基于稀疏表示的數(shù)據(jù)收集、復(fù)原與壓縮研究[D];北京工業(yè)大學(xué);2015年

6 王文卿;基于融合框架與稀疏表示的遙感影像銳化[D];西安電子科技大學(xué);2015年

7 解虎;高維小樣本陣列自適應(yīng)信號(hào)處理方法研究[D];西安電子科技大學(xué);2015年

8 秦振濤;基于稀疏表示及字典學(xué)習(xí)遙感圖像處理關(guān)鍵技術(shù)研究[D];成都理工大學(xué);2015年

9 薛明;基于稀疏表示的在線目標(biāo)跟蹤研究[D];上海交通大學(xué);2014年

10 孫樂(lè);空譜聯(lián)合先驗(yàn)的高光譜圖像解混與分類(lèi)方法[D];南京理工大學(xué);2014年

相關(guān)碩士學(xué)位論文 前10條

1 王道文;基于稀疏表示的目標(biāo)跟蹤算法研究[D];華南理工大學(xué);2015年

2 李哲;基于稀疏表示和LS-SVM的心電信號(hào)分類(lèi)[D];河北大學(xué);2015年

3 孫雪青;Shearlet變換和稀疏表示相結(jié)合的甲狀腺結(jié)節(jié)圖像融合[D];河北大學(xué);2015年

4 吳麗璇;基于稀疏表示的微聚焦X射線圖像去噪方法[D];華南理工大學(xué);2015年

5 趙孝磊;基于圖像分塊稀疏表示的人臉識(shí)別算法研究[D];南京信息工程大學(xué);2015年

6 黃志明;基于辨別式稀疏字典學(xué)習(xí)的視覺(jué)追蹤算法研究[D];華南理工大學(xué);2015年

7 張鈴華;非約束環(huán)境下的稀疏表示人臉識(shí)別算法研究[D];南京信息工程大學(xué);2015年

8 賀妍斐;基于稀疏表示與自適應(yīng)倒易晶胞的遙感圖像復(fù)原方法研究[D];南京信息工程大學(xué);2015年

9 楊爍;電能質(zhì)量擾動(dòng)信號(hào)的稀疏表示/壓縮采樣研究[D];西南交通大學(xué);2015年

10 應(yīng)艷麗;基于低秩稀疏表示的目標(biāo)跟蹤算法研究[D];西南交通大學(xué);2015年

，

本文編號(hào)：2404433