论文部分内容阅读
近年来人脸识别得到了广泛的关注,且已经出现了很多经典有效的人脸识别方法。但在很多应用场景中,数据库对每个人只能采集到一幅人脸图像用于训练,由于训练样本单一且存在姿态、遮挡等干扰,大多数常规的人脸识别方法在单训练样本条件下识别率急剧下降。因此,本文针对姿态变化、遮挡条件下的单样本人脸识别问题进行了研究。本文主要的研究内容及贡献总结如下: (1)针对姿态变化条件下的单样本人脸识别问题,提出了一种基于混合纹理特征和二次分类的单样本人脸识别方法。研究有效的特征提取方法有助于提高单样本人脸识别效率。对于现有的完整局部二进制模式(Compound Local Binary Pattern, CLBP)的不足,以及考虑到CLBP和差分激励(Differential Excitation, DE)两种特征的互补作用,提出了在非匀称区域(Asymmetric Region, AR)上结合DE和CLBP的混合纹理特征提取方法。为了降低姿态变化带来的影响,在分类时引入弹性匹配方法。但在大人脸库上弹性匹配的计算量会很大,故采用二次分类策略,它通过排除不相似的匹配人脸来提高识别效率。实验证明,该方法对姿态变化具有较好的鲁棒性。 (2)针对单样本人脸识别在遮挡条件下的鲁棒性问题,提出了一种基于自适应加权和模糊融合的单样本人脸识别方法。在子模式方法中引入信息熵的扩展模式,通过自适应赋予人脸的每个子模块相应权值来降低遮挡区域的影响;另外通过对人脸相似块求和来弥补子模式方法忽视了人脸的整体性这一缺陷。最后利用模糊综合评价法对两种分类方式的结果进行了决策融合。实验证明,该方法具有较好的遮挡鲁棒性。