随机数字信号处理期末大作业-基于稀疏表示的鲁棒人脸识别

《随机数字信号处理期末大作业-基于稀疏表示的鲁棒人脸识别》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、数字图像处理期末大作业（报告）基于稀疏表示的鲁棒人脸识别RobustFaceRecognitionviaSparseRepresentation学院（系）：创新实验学院专业：信息与通信工程学生姓名：学号：任课教师：完成日期：2015年7月20日大连理工大学DalianUniversityofTechnology基于稀疏表示的鲁棒人脸识别摘要人脸识别是现代生物信息识别中的一项重要技术，对于给定的人脸图像，利用已经存储的人脸数据库确认该图像中的一个或多个人的身份。现有的人脸识别方法大多需要进行图像预处理及复杂的特征提取，选择何种特征对识别率影响非常大，并且对遮挡、噪

2、声等情况缺少鲁棒性，这些问题往往使得现有的识别方法在应用中受到制约。不同于传统的人脸识别算法，稀疏表示通过最小范数计算得到的[1]，文献[1]提出了一个用于（基于图像）目标识别的一般分类算法。这个新框架对人脸识别中两个重要问题（特征提取和遮挡鲁棒性）提出了新思路。稀疏表示是压缩感知中的关键理论，数据的稀疏表示，可以从本质上降低数据处理的成本，提高压缩效率。稀疏表示用在分类识别上有独特的优势，对于特征提取，如果我们在识别中适当地利用稀疏性，特征的选取不再至关重要，然而，重要的是特征数目是否充分大，稀疏表示是否得到准确计算。只要特征空间维数超过某个阈值（用稀疏表示理

3、论估计得到），非传统特征例如下采样图像和随机投影和传统特征例如特征脸和拉普拉斯脸效果一样。利用这些误差相对于标准基是稀疏的事实，这个框架可以处理因遮挡带来的误差。本次课程设计主要通过阅读文献[1]，理解基于稀疏表示的人脸识别，并对算法实现仿真和对比。由于文献[1]中的实验繁多，本报告只对正常图像和噪声污染图像的人脸识别实验进行重现。关键词：压缩感知；稀疏表示；人脸识别；特征提取；最小范数；-21-基于稀疏表示的鲁棒人脸识别1引言1.1人脸识别的背景及意义随着社会的网络信息化程度的不断提高，人类身份的数字化和隐性化特征也日趋明显，随之而来的关乎信息安全的身份鉴别问

4、题也就成了一个关键性问题。比较传统的身份鉴别方法有身份证、个人签名、IC卡、条形编码等方法。随着科技的发展和计算机网络的普及，这些身份鉴别方法变得不再安全。这时候，生物识别技术的出现，为当今社会的身份认证提供了更安全，更准确，更快速的方法。利用人体生物特征进行身份认证的技术叫做生物识别技术。生物识别技术主要利用人体自身的一些生理特征，如脸像、指纹、虹膜等，结合行为特征，如语音、笔迹、姿态等，再通过计算机技术与声学、光学、生物信息学和生物统计学原理等领域的技术手段来进行个人身份的鉴定。生物特征较难模仿或伪造，并且使用时不用担心丢失或忘记携带，因此生物识别技术相比传

5、统的身份鉴定方法更具安全性、保密性和便捷性[2]。人脸识别是生物识别技术中一个重要的研究领域。人脸识别是指从静态人脸图像或动态视频图像中检测到人脸，结合计算机技术，将人脸身份识别出来。人脸识别问题一般可描述为：给定一个包含人脸的场景，可以是静态图像或动态视频，与已经存储的人脸数据库中的图像进行比对，识别出该图像中人脸的身份。人脸一向被认为是基于图像的识别中最广泛的研究课题。一部分是因为人类视觉系统的强大的人脸识别能力，另一部分是因为人脸识别技术有许多重要的应用。另外，人脸识别的相关技术问题也是目标识别甚至一般的数据分类问题中具有代表性的问题。一般人脸识别的过程如

6、图1所示。图1人脸识别流程图-21-基于稀疏表示的鲁棒人脸识别1.2人脸识别研究现状人脸识别方法总体上可以分为基于局部特征的方法和基于整体的方法两种。基于局部特征的方法是从人脸上获取一系列的几何特征进行识别，基于整体的方法考虑了人脸模式的全局特性，将人脸作为一个整体来识别。人脸识别常用的方法主要有以下几类[3]：基于几何特征的人脸识别、基于子空间的人脸识别、基于神经网络的人脸识别。1)基于几何特征的人脸识别：最早的人脸识别采用最直观的人脸特征—几何特征进行人脸识别。基本思想是从人脸几何特征中提取信息作为特征参数，形成特征向量，继而对这些特征向量进行分类处理。基于

7、几何特征的人脸识别特征比较直观，计算量也不大，但是对光照、遮挡、表情、姿态变化的鲁棒性较差。而且，由于只计算人脸部件的形状与结构，忽略了局部细节，因此也丢失了部分信息，识别率不高，稳定性也不够，实际应用比较困难。2)基于子空间的人脸识别：基于子空间的方法是最为常用的人脸识别方法。基本思想是把人脸看成一个矩阵或高维向量，通过一个空间变换，把原始人脸图像变换到一个子空间。子空间中，在不破坏原始人脸结构的前提下，人脸的表示更为紧凑，从而降低了计算的复杂度，也使分类更为准确。空间变换可以是线性的或者非线性的。常用的线性变换有主成分分析(PCA)、独立成分分析(ICA)、

8、线性判别分析(LDA)等