基于srm方法的人脸识别研究

《基于srm方法的人脸识别研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、国内图书分类号：TP391.41学校代码：10213国际图书分类号：004.93密级：公开工程硕士学位论文基于SRM方法的人脸识别研究硕士研究生：余亮导师：徐勇教授副导师：刘东江高级工程师申请学位：工程硕士学科：计算机技术所在单位：富士康科技集团答辩日期：2012年12月授予学位单位：哈尔滨工业大学ClassifiedIndex:TP391.41U.D.C:004.93DissertationfortheMaster’sDegreeofEngineeringFACERECOGNITIONRESEARCHBASEDONSRMCandi

2、date：YuLiangSupervisor：Prof.XuYongAsst.Supervisor:SeniorEngineerLiuDongjiangAcademicDegreeAppliedfor：MasterofEngineeringSpecialty：ComputerTechnologyAffiliation：FOXCONNTechnologyGroupDateofDefence：December,2012Degree-Conferring-Institution：HarbinInstituteofTechnology哈尔滨

3、工业大学工程硕士学位论文摘要人脸识别起源于模式识别，是图像处理中的热门研究方向，经过几十年的研究，取得了显着的成就，在诸多领域都有重要的应用。在现有的大多数人脸识别研究中，能否进行有效的特征抽取并进行线性变换是影响人脸图像识别效率的一个重要因素。究竟哪种特征提取方法是最优选择尚未出现定论。而基于信号统计领域的稀疏描述方法（SparseRepresentationMethod,SRM）提供了一种新的思路，绕开线性特征抽取这一步骤，采用图库中的训练样本的线性组合来描述测试图像，然后使用最近子空间（NearestSubspace,NS）方

4、法对测试图像分类，以此完成对人脸图像的识别。SRM认为构造鲁棒的分类器比选择何种特征抽取方法对于人脸识别系统更为重要。SRM方法有创新之处，也有其劣势，1它的算法需经过多步迭代才能完成l范数的求解，其计算复杂度高。本文将在稀疏描述方法的基础上，提供几种具有较低计算复杂度的改进算法，并通过人脸识别实验以检验改进算法的识别率。SRM方法的算法难度在于，如何求解图库中训练样本的线性表达式最稀疏的的分解系数，亦即：对测试样本进行分类将产生大量的计算。在本文中，基于构造简化的分类器和考虑实际应用中的因素，我们设计了四套稀疏描述方法的改进算法。

5、改进算法包括：使用样本均值建立稀疏表达式，在样本中增加均值脸，引入其它识别方案作为预处理步骤，构造虚拟训练样本。我们在目前主流的人脸图像数据库（ORL,YALE,AR）上进行实验，并选用不同数量训练样本和测试样本来检测新方法的可靠性。实验过程在MATLAB开发环境中完成。经统计实验结果，所有四个实验方案都能取得满意的识别率，同流行的人脸识别方案相比，本文所提供方案的识别率优于后者，特定条件下可达10%以上的提高。关键词：人脸识别；稀疏描述方法；改进算法；识别率-I-哈尔滨工业大学工程硕士学位论文AbstractFacerecogni

6、tion(FR)isoriginedfrompatternrecognition,ahotresearchtopicinimageprocessingarea.Afterseveraldecadesofstudy,FRhasachievedalotgoalsandrootedinmanyfields.InmostcurrentreasearchesoneoftheimportantissueswhichaffectFRaccuracyisfeatureextraction,whichismostlydonethroughlinear

7、transformation.Optimalfeatureextractionremainstobeatrickyquestionforresearchers.However,basedonsignalstatistics,theSparseRepresentationMethod(SRM)providesanovelsolution.ItexploitsalinearcombinationofthetrainingsamplestorepresenttestsamplesandusesNSprincipletoclassifyte

8、stimages,regardlessoffeatureextraction.AccodingtoSRM,tobuildarobustclassifierismuchmoreimportantthanthefeatureextract