论文部分内容阅读
人脸图像由于在采集过程中会出现光照、姿势以及表情变化等影响，不可避免的会增加人脸识别的难度。人脸识别是指对输入的人脸图像进行正确的识别，判断输入图像属于人脸数据库中的哪类图像。由于人脸识别具有安全、可靠以及便捷性等特点，它在生产实践中的应用十分广泛。在对人脸图像进行稀疏表示时，良好的字典有助于提高后续的识别率。因此本文致力于训练有较好表示能力的字典。本文具体研究的工作内容为：1、介绍了全局特征提取算法特征脸法的求解过程，压缩感知理论的原理与过程，重构算法的种类，并具体介绍了两种稀疏求解方法——正交匹配算法（OMP）与梯度投影法（GP）。2、介绍了两种局部特征提取算法，方向梯度直方图（HOG)和局部二值模式（LBP），将两种局部特征提取算法进行有机地结合，来表示人脸图像，根据本文所设定的加权比例进行实验，提高了最终图像的识别率。3、首先介绍了稀疏表示用于人脸识别的原理，比较了L1范数与L2范数约束下不同的求解方法，并介绍了基于协同表示的归一化最小二次方识别方法（CRC_RLS）。其次基于稀疏表示分类模型，对字典构造方法进行探索，采用局部特征构造字典对人脸图像进行线性表示，并使用多任务联合方法，将HOG和LBP两种局部特征的重构误差进行加权，提高了识别率；最后比较了ALM算法、CRC_RLS算法以及L1-norm算法对人脸识别性能的影响。4、介绍了神经网络的基本原理，针对大部分神经网络对人脸识别的识别率不高的情况，提出了将K均值算法软编码方案运用到单层网络中进行特征提取，并使用CRC_RLS分类器进行判决识别，在AR数据库中的识别率为95%以上，在ORL数据库中则达到了100%。