資源描述:
《基于稀疏表示和特征選擇人臉識(shí)別方法的研究》由會(huì)員上傳分享,免費(fèi)在線閱讀,更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫(kù)。
1、學(xué)校代號(hào):10532學(xué)號(hào):T08093011密級(jí):公開(kāi)湖南大學(xué)博士學(xué)位論文基于稀疏表示和特征選擇的人臉識(shí)別方法研究學(xué)位申請(qǐng)人姓名:魏丹導(dǎo)師姓名及職稱:李樹(shù)濤教授培養(yǎng)單位:電氣與信息工程學(xué)院專業(yè)名稱:控制科學(xué)與工程論文提交日期:2012年4月26日論文答辯日期:2012年6月25日答辯委員會(huì)主席:章兢教授ResearchesofFaceRecognitionbasedonSparseRepresentationandFeatureSelectionbyWEIDanB.S.(HunanUniversity)2006Adissertationsubmittedinparti
2、alsatisfactionoftheRequirementsforthedegreeofDoctorofScienceinControlScience&EngineeringintheGraduateSchoolofHunanUniversitySupervisorProfessorLIShutaoApril,2012博士學(xué)位論文湖南大學(xué)學(xué)位論文原創(chuàng)性聲明本人鄭重聲明:所呈交的論文是本人在導(dǎo)師的指導(dǎo)下獨(dú)立進(jìn)行研究所取得的研究成果。除了文中特別加以標(biāo)注引用的內(nèi)容外,本論文不包含任何其他個(gè)人或集體已經(jīng)發(fā)表或撰寫(xiě)的成果作品。對(duì)本文的研究做出重要貢獻(xiàn)的個(gè)人和集體,均已在文中
3、以明確方式標(biāo)明。本人完全意識(shí)到本聲明的法律后果由本人承擔(dān)。作者簽名:日期:年月日學(xué)位論文版權(quán)使用授權(quán)書(shū)本學(xué)位論文作者完全了解學(xué)校有關(guān)保留、使用學(xué)位論文的規(guī)定,同意學(xué)校保留并向國(guó)家有關(guān)部門(mén)或機(jī)構(gòu)送交論文的復(fù)印件和電子版,允許論文被查閱和借閱。本人授權(quán)湖南大學(xué)可以將本學(xué)位論文的全部或部分內(nèi)容編入有關(guān)數(shù)據(jù)庫(kù)進(jìn)行檢索,可以采用影印、縮印或掃描等復(fù)制手段保存和匯編本學(xué)位論文。本學(xué)位論文屬于1、保密□,在______年解密后適用本授權(quán)書(shū)。2、不保密?。(請(qǐng)?jiān)谝陨舷鄳?yīng)方框內(nèi)打“√”)作者簽名:日期:年月日導(dǎo)師簽名:日期:年月日I基于稀疏表示和特征選擇的人臉識(shí)別方法研究摘要人臉識(shí)別是
4、模式識(shí)別和計(jì)算機(jī)視覺(jué)領(lǐng)域的一個(gè)前沿課題,由于其具有非接觸性、隱蔽性、易于理解以及圖像采集設(shè)備成本低等優(yōu)點(diǎn),已經(jīng)被越來(lái)越多的應(yīng)用于安全監(jiān)控、人機(jī)交互、人工智能以及電子商務(wù)安全中。本文以數(shù)字圖像人臉識(shí)別技術(shù)為研究背景,在分析現(xiàn)有人臉識(shí)別方法的基礎(chǔ)上,結(jié)合模式識(shí)別的最新理論,針對(duì)人臉識(shí)別中的表情、光照、遮蓋等復(fù)雜情況,深入研究了基于稀疏表示和特征選擇的人臉識(shí)別問(wèn)題。本文的主要研究成果總結(jié)如下:1)基于圖嵌入理論的特征選擇方法。在圖嵌入特征選擇方法中,由于受到噪聲影響,數(shù)據(jù)點(diǎn)的K鄰近圖穩(wěn)定性會(huì)降低。針對(duì)這一問(wèn)題,本文提出了基于特征分?jǐn)?shù)的遞歸特征消除方法(FS-RFE)和基于子
5、集水平分?jǐn)?shù)的遞歸特征消除方法(SL-RFE)。在FS-RFE方法中,我們遞歸地移除具有最小特征分?jǐn)?shù)的特征,并動(dòng)態(tài)更新圖的結(jié)構(gòu),以減少由于特征中存在大噪聲而引起的負(fù)面影響。在SL-RFE方法中,通過(guò)迭代計(jì)算子集水平分?jǐn)?shù),遞歸地刪除噪聲特征,并更新圖的結(jié)構(gòu)。在UMIST及Yale人臉數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明,與?-MFA,?-LDA,?-LSDFGGG等特征分?jǐn)?shù)方法相比,本文提出的FS-RFE和SL-RFE方法能夠明顯提高人臉識(shí)別的準(zhǔn)確度,并顯著提高算法對(duì)高維噪聲的魯棒性。2)基于鏈?zhǔn)讲蓸拥奶卣鬟x擇方法。針對(duì)非線性超高維問(wèn)題降維,本文在特征生成機(jī)(FGM)方法基礎(chǔ)上,提出了
6、一種新的基于鏈?zhǔn)讲蓸拥奶卣鬟x擇方法。FGM方法在每次迭代過(guò)程中,特征根據(jù)分?jǐn)?shù)進(jìn)行排序,并且形成一個(gè)新的特征子集,當(dāng)問(wèn)題維數(shù)很高時(shí),特征分?jǐn)?shù)計(jì)算及其排序時(shí)間是無(wú)法接受的。而本文提出的方法通過(guò)特征采樣方法加速計(jì)算,將稠密特征存入緩存器,并且舍棄稀疏特征,在迭代過(guò)程中將具有最大分?jǐn)?shù)的一些特征保留在緩存器中,并逐步更新緩存器中的特征,形成鏈?zhǔn)讲蓸?,最后通過(guò)對(duì)緩存器的特征進(jìn)行再排序,找到具有最大特征分?jǐn)?shù)的一些特征做為有效特征,可以大大降低計(jì)算復(fù)雜度。在超高維數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明了本文提出的基于鏈?zhǔn)讲蓸犹卣鬟x擇方法的有效性。3)基于工作集的快速有效稀疏表示求解算法。稀疏表示問(wèn)題
7、計(jì)算復(fù)雜度隨著字典規(guī)模的增加迅速增加。為此,本文提出了一種求解稀疏表示問(wèn)題的快速分解梯度投影算法(FDGP)。通過(guò)最小化一個(gè)有界約束二次規(guī)劃問(wèn)題來(lái)求解稀疏表示問(wèn)題,在梯度投影迭代過(guò)程中,并不求解整個(gè)問(wèn)題,而是選擇梯度存在最大變化的元素作為工作集,從而將大規(guī)模優(yōu)化問(wèn)題轉(zhuǎn)換為一些小規(guī)模有界約束二次規(guī)劃問(wèn)題來(lái)求解,既節(jié)省了內(nèi)存消耗,又顯著提高了大規(guī)模稀疏表示問(wèn)題的求解效率,并最終提高了人臉識(shí)別的精度和效率。II博士學(xué)位論文4)基于小波域稀疏表示的人臉識(shí)別方法。本文提出了基于小波域稀疏表示的人臉識(shí)別算法。由于小波高頻子帶可以捕捉小的細(xì)節(jié)信息而低頻子帶可以很好