面向人脸识别的特征提取技术应用研究

摘要

人脸识别技术是模式识别和计算机视觉领域的一个经久不衰的研究方向，作为一种重要的生物特征识别技术，在社会公共安全、监控、身份验证等日常生活中具有广泛的应用前景。人脸识别的直接目的在于利用人脸图像识别和验证个体身份，而真实场景下的人脸识别由于外部环境的光照变化，物体遮挡，人脸姿态变化和面部表情变化等因素，具有极大的挑战。典型人脸识别系统包括以下五个部分:人脸检测，人脸预处理，特征生成，特征提取/特征选择，匹配和识别。而人脸特征生成和特征提取对人脸识别的精度具有最直接的影响，因此主要关注人脸识别系统中的特征生成和特征提取环节，研究如何从原始图像中提取有效的面部特征及如何从高维面部特征中抽取具有鉴别能力的信息，从而提高人脸识别性能。本文分别研究了经典的局部特征描述子，稀疏低秩表示理论和协同表示方法，并在公开人脸数据集上进行了大量的实验进行验证方法的有效性。本文研究的具体内容包括:
　　(1)针对局部三值模式这类特征描述子方法在特征生成中需要选取合适的阈值来克服不同噪声的问题，本文给出了一种阈值自适应的局部三值模式特征和中心对称自适应局部三值模式，该方法利用韦伯法则，自动根据像素的灰度值选择与之对应的阈值，从而解决固定阈值不能适应像素变化的缺陷，此外中心对称自适应局部三值模式比自适应局部三值模式具有更低的特征维数。在ORL和FERET人脸数据库实验表明，本文提出的两种方法的识别率均优于传统的局部特征描述子方法。
　　(2)稀疏低秩表示要求字典是过完备的，故特征提取（维数约减）仍是重要的工作。本文首先利用低秩表示理论构建关联图，给出了一种基于低秩表示理论的特征提取方法，该方法利用低秩表示理论构建核范数图，并在此基础上刻画样本局部紧密度和总体离散度;其次研究利用降维后子空间内低秩表示关系设计原空间的关联关系，给出了一种两步迭代低秩表示投影的特征提取方法;最后，利用稀疏表示分类策略，给出一种低秩表示分析方法直接用于特征提取，避免构造图嵌入学习中的关联图。在FERET、AR、ORL人脸库和PolyU KFP指关节库上的实验表明了上述方法的有效性。
　　(3)利用协同表示分类识别效果好，运算速度快的优点，本文给出了一种协同表示投影分析特征提取方法，有效丰富了图嵌入学习框架。该方法基于L2范数图构建刻画样本局部精密度和总体离散度，根据Fisher鉴别分析思想建立目标函数，利用广义特征值分解计算投影矩阵。进一步，本文给出一种非线性核协同表示分类方法，有效增强了协同表示分类方法的性能。该方法利用核技巧，将原始不可分的特征空间映射到高维可分的特征空间，进行优化求解。在多个公开数据集上的实验结果表明，本文提出的方法明显优于经典的方法。
　　(4)为了识别远距离监控系统低分辨率人脸图像，将高分辨率图片和低分辨率图片分别看作两组不同的变量，利用典型相关分析理论，将他们投影到同一个线性空间中，实现不同分辨率图片的匹配。利用此方法，本文提出了一种基于典型相关分析的远距离低分辨率退化人脸识别方法，能有效克服分辨率不一致和分辨率低的问题。在ExtendedYale B、ORL和AR人脸库上的实验结果表明本文方法对低分辨率图像具有较好的鲁棒性。

目录

声明

摘要

第一章 绪论

1．1 人脸识别的研究背景及意义

1．2 人脸识别技术研究现状

1．2．1 人脸检测

1．2．2 人脸特征生成

1．2．3 人脸特征提取

1．2．4 人脸识别分类器设计

1．3 本文研究工作概述和内容安排

第二章 基于韦伯法则的局部特征描述子方法

2．1 引言

2．2 局部特征描述子方法

2．2．1 局部二值模式(LBP)

2．2．2 局部三值模式(LTP)

2．2．3 中心对称二值模式(CS-LBP)

2．3 基于韦伯法则的局部纹理模式

2．3．1 自适应局部三值模式(ALTP)

2．3．2 中心对称的自适应局部三值模式(CS-ALTP)

2．4 实验与结果分析

2．4．1 在ORL人脸库上的实验

2．4．2 在FERET人脸库上的实验

2．4．3 实验结果分析

2．5 本章小结

第三章 基于低秩理论的特征提取方法

3．1 引言

3．2 稀疏表示和低秩表示理论

3．3 稀疏保持投影(SPP)

3．4 基于低秩表示投影的特征提取方法(LRRP)

3．4．1 基本思想

3．4．2 算法描述

3．4．3 同其他方法的联系与区别

3．4．4 实验与结果分析

3．5 基于两步迭代低秩表示投影的特征提取方法(TSILRRP)

3．5．1 基本思想

3．5．2 算法描述

3．5．3 实验与结果分析

3．6 基于低秩表示分析的特征提取方法(LRRA)

3．6．1 基本思想

3．6．2 算法描述

3．6．3 实验与结果分析

3．7 本章小结

第四章 基于协同表示的特征提取和分类器设计

4．1 引言

4．2 协同表示理论

4．3 基于协同表示投影的特征提取方法(CRP)

4．3．1 基本思想

4．3．2 算法描述

4．3．3 同其他方法的联系与区别

4．3．4 实验与结果分析

4．4 核协同表示分类(KCRC)

4．4．1 基本思想

4．4．2 算法描述

4．4．3 实验与结果分析

4．5 本章小结

第五章 基于CCA的远距离低分辨率退化人脸识别研究

5．1 引言

5．2 远距离低分辨退化人脸识别的思路

5．3 理论推导

5．3．1 目标函数的建立

5．3．2 目标函数的求解

5．4 算法描述

5．5 实验与结果分析

5．6 本章小结

第六章 总结与展望

致谢

参考文献

攻读学位期间完成的论文及参加的科研项目