1 分 类 号 _ 密 级 _ _ 编 号 _硕 士 学 位 论 文基于稀疏表示的人脸识别方法研究学 位 申 请 人 ： 姜辉明学 科 专 业 ： 通信与信息系统指 导 教 师 ： 殷爱菡 教授答辩日期：2013华东 交通大学届硕士学位论文基于稀疏表示的人 脸识别方法研究信息工程学院姜辉明独创性声明本 人 郑 重 声 明 ： 所 呈 交 的 学 位 论 文 是 我 个 人 在 导 师 指 导 下 进 行 的 研究工 作 及 取 得 的 研 究 成 果 。 尽 我 所 知 ， 除 了 文 中 特 别 加 以 标 注 和 致 谢 的 地 方外 ， 论 文 中 不 包 含 其 他 人 已 经 发 表 和 撰 写 的 研 究 成 果 ， 也 不 包 含 为 获 得 华东 交 通 大 学 或 其 他 教 育 机 构 的 学 位 或 证 书 所 使 用 过 的 材 料 。 与 我 一 同 工 作的 同 志 对 本 研 究 所 做 的 任 何 贡 献 均 已 在 论 文 中 作 了 明 确 的 说 明 并 表 示 了 谢意 。本 人 签 名 _日 期 _关于论文使用授权的说明本 人 完 全 了 解 华 东 交 通 大 学 有 关 保 留 、 使 用 学 位 论 文 的 规 定 ， 即 ：学校 有 权 保 留 送 交 论 文 的 复 印 件 ， 允 许 论 文 被 查 阅 和 借 阅 。 学 校 可 以 公 布 论文 的 全 部 或 部 分 内 容 ， 可 以 采 用 影 印 、 缩 印 或 其 他 复 制 手 段 保 存 论 文 。保密的论文在解密后遵守此规定，本 论文无保密内容。本 人 签 名 _导 师 签 名 _日 期 _摘 要基于稀疏表示的人脸识别方法研究摘要人 脸 识 别 作 为 生 物 鉴 别 技 术 的 一 种 主 要 技 术 手 段 ， 随 着 视 频 监 控 ， 信 息 安 全 ， 图 像检 索 等 技 术 的 快 速 普 及 ， 得 到 了 广 泛 的 关 注 和 发 展 。 经 过 几 十 年 的 不 断 努 力 ， 现 有 的 人脸 识 别 系 统 ， 在 可 控 条 件 的 环 境 中 具 有 很 好 的 识 别 效 果 ， 一 旦 环 境 发 生 改 变 ， 系 统 识 别率 急 剧 下 降 。随 着 压 缩 感 知 的 理 论 兴 起 ， 稀 疏 表 示 被 引 入 到 人 脸 识 别 当 中 。 与 现 有 的 人 脸 识 别 方法 相 比 ， 基 于 稀 疏 表 示 的 SRC 方法无需特征提取，能够有效的处理噪声，光照，遮挡等 问 题 ， 并 取 得 了 较 好 的 识 别 效 果 。 目 前 ， SRC 方 法 仍 处 在 不 断 的 完 善 和 发 展 之 中 。 本文 主 要 是 通 过 研 究 SRC 方法的实现过程和作用机制，得到有效的改进算法，提高系统的 识 别 性 能 。 本 文 的 主 要 工 作 如 下 ：(1) 对人脸识别问题、压缩感知、稀疏表示理论进行了研究，并详细阐述了目前人脸 识 别 和 SRC 方法的研究现状。(2) 从实际的认知角度出发，针对采用正交匹配追踪算法进行稀疏求解时，得到的稀 疏 向 量 存 在 负 系 数 的 问 题 ， 提 出 一 种 改 进 的 正 交 匹 配 追 踪 算 法 。 该 方 法 通 过 改 进 原 有算 法 的 原 子 策 略 ， 将 测 试 样 本 表 示 成 训 练 样 本 的 非 负 稀 疏 性 组 合 ， 避 免 负 值 系 数 的 产 生 。测 试 结 果 表 明 ,新 方 法 具 有 较 好 的 识 别 结 果 和 鲁 棒 性 。(3) 采用基于组稀疏表示分类方法时，同类样本同时参与对测试样本的表示，忽略了 样 本 间 的 相 关 性 。 本 文 提 出 了 一 种 改 进 方 法 ， 该 方 法 在 块 正 交 匹 配 追 踪 算 法 基 础 上 ，将 样 本 间 的 相 干 系 数 作 为 判 断 阈 值 ， 对 算 法 每 次 迭 代 选 取 的 原 子 进 行 判 别 ， 优 化 了 算 法的 重 建 性 能 。(4) 针 对 现 有 SRC 方法求解存在的缺陷，提出了一种结合降维字典和 L2 范数求解方 案 。 该 方 案 分 首 先 利 用 PCA 技 术 对 冗 余 字 典 进 行 有 效 的 降 维 ， 其 次 采 用 最 小 正 则 化L2 范 数 进 行 求 解 ， 该 方 案 能 够 有 效 的 解 决 字 典 维 数 过 大 问 题 ， 在 ORL 和 Yale B 人 脸 库上 的 实 验 ， 验 证 了 该 方 法 的 有 效 性 。关键词：稀疏表示，人脸识别，压缩感知，贪婪算法，降维字典IAbstractRESEARCH OF FACE RECOGNITION ALGORITHMBASED ON SPARSE REPRESENTATIONABSTRACTAs a main technical mean of the Biometric Identification Technology, with the rapidpopularization of the video monitoring, information security, and image retrieval techniques,face recognition received extensive attention and development. After decades of continuousefforts, the existing face recognition system has a very good recognition effect in thecontrolled conditions of the environment. However, when the environment is changed, therecognition rates of system fall sharply.Along with the rise of compression perception theory, Sparse Representation algorithmwas introduced to face recognition. Compared with the existing face recognition algorithm,SRC method can effectively solve the problem of image illumination, occlusion and noisewithout an explicit feature extraction stage. At present, the SRC method is still developingand perfecting in constant. The process and mechanism of SRC method is study in this paper.After that, this paper presents improved algorithm which can improved the recognitionperformance of system. The main work is as follows:(1) The theory of face recognition problem, compressed sensing and sparse representation arestudied. The research status of SRC method and face recognition is detailed in this paper.(2) When orthogonal matching pursuit algorithm is adopted, the obtained sparse coefficientcan be negative. To solve this problem, an improved orthogonal matching pursuit algorithm ispresented. The atoms strategy of original algorithm is improved which can reduce the amountof negative sparse coefficient. The experimental results show that this method has betterrobustness and identification results.(3) When the group sparse representation is used to face recognition, the same samples takeparticipate in the representation of the test sample at the same time. The original methodignores the correlation between the samples. To solve this problem, an improved blockorthogonal matching pursuit algorithm is presented. The presented algorithm uses thecoherent coefficient of the samples as a parameter, setting the proper threshold value to selectsample discrimination. Therefore, the reconstruction of the algorithm is optimized.(4) Aim at the defects of the SRC method, this paper presents a new scheme, which adopts thecombination of dimension-reducing dictionary and L2 norm. The first stage uses PrincipalComponent Analysis method to reduce the dimensions of the redundant dictionary. At thesecond stage, the least regularization L2 norm is applied to obtain the sample coefficients.This scheme can effectively solve the problems of dictionary by large dimensions. TheIAbstracteffectiveness of the proposed method is validated by the experiments