基于生物视觉感知和稀疏表示的非约束人脸识别研究

With the rapid development of mobile Internet and sensor technology, the massive datum of face images and videos have been more and more complicated due to expression, viewing angle, lighting conditions, and occlusions etc. The traditional methods of face recognition aiming at controlled condition can not deal with these issues. In view of this, we intend to utilize the biological visual perception characteristics to improve sparse representation based on classification from three aspects: learning robust and discriminative dictionary, clustering sparse coefficients and implementing self-directed manifold learning. It is in favor of establishing a new sparse representation model which is more in line with human visual characteristics and can identify uncontrolled facial images or videos more accurately and rapidly. The main works are as follows:.(1) We propose an uncontrolled face detection model based on visual attention mechanism, and then implement a locally invariant feature descriptor by imitating biological ventral vision pathway which can deeply describe the essential difference between different faces. Based on these two new ideas, it can make the dictionary more robust and discriminative..(2)We establish a hierarchical sparse representation model which utilizes the spatial topological properties of complex cells, and further improve the model by visual feedback information weighting blocks, then the coefficients of test images will be more sparse and clustered..(3)We design a self-directed dictionary manifold learning method which can enhance the locally compact structure of high-dimensional dictionary and reduce the computational complexity at the same time.

随着移动互联网、传感技术的飞速发展，人脸图像及视频数据成指数级增长且结构复杂，针对传统实验环境下的人脸识别技术已不能胜任。因此，本项目拟将生物视觉感知机制引入稀疏表示分类模型中，完成“鲁棒判别字典、紧密稀疏系数、自主流形降维”三个方面研究，拟建立更符合人眼视觉特性的稀疏表示分类模型，实现高效稳健的非约束人脸识别，为机器智能化发展提供理论指导和技术支持。主要工作如下：.（1）提出一种基于视觉注意机制的非约束人脸显著目标检测模型，并通过模拟生物腹侧视觉通路构建局部不变特征描述子，进一步深入刻画不同人脸的本质区别，提高字典的鲁棒性和判别性；.（2）建立一种结合复杂细胞的空间拓扑特性的层次结构稀疏表示模型，并利用视觉反馈信息进一步引导目标拓扑结构块的加权表征，有效体现系数的稀疏性和紧密性；.（3）设计一种可以自主学习的字典低维流形映射算法，在增强高维数据的局部紧致结构的同时，降低计算复杂度。

人脸识别是人工智能与模式识别领域的一个重要研究课题，在身份认证、智能视频监控、信息安全等方面有拥广阔的应用前景。本研究以稀疏表示分类模型为基础，针对字典构建学习、系数稀疏约束和字典低维映射三个方面存在的问题，以认知心理学、生物神经学和视觉信息处理脑机制为理论指导，探索基于生物视觉感知机制的稀疏表示人脸识别方法。具体如下：. （1）研究了基于视觉显著字典的加权块协作稀疏表示方法。首先，利用生物视觉注意机制快速准确获取人脸显著目标，构建视觉显著字典；然后，引入块协作框架和加权正则项，对人脸不同局部结构进行稀疏编码，增强人脸鉴别信息；最后，综合所有视觉显著块字典的编码残差，给出类别标签。. （2）研究了基于自适应联合字典的鲁棒稀疏表示方法。首先，采用对数行列式函数代替核函数，恢复人脸低秩子空间；然后，采用迭代加权鲁棒主成分分析算法构建更具表征性的类内差异字典；最后，联合低秩人脸特征字典、类内差异字典和稀疏干扰字典进行自适应鲁棒稀疏编码，根据最小残差划分类别。. （3）研究了基于全局约束的监督稀疏保持投影降维方法。首先，在近邻图构建阶段，引入类别标签和类内紧凑度约束因子，用以增强同类非近邻样本在近邻图中的重构关系；同时，在低维投影阶段，增加全局约束因子，用以进一步削弱异类伪近邻样本在低维投影中的影响。两者结合，使低维字典更具鉴别性和紧致性。. （4）研究了基于旋转主方向梯度直方图特征的判别稀疏图映射方法。首先，采用旋转主方向梯度直方图特征算子，提取多尺度、多方向的人脸纹理梯度变化信息，构建具有鉴别性和鲁棒性的特征字典；然后，采用判别稀疏图映射算法对HRPOG特征字典进行降维，使低维字典空间更判别、更紧致；最后，交替迭代优化稀疏表示和低维投影，使分类效果更理想。. 本研究已在国内外学术刊物上发表论文19篇，其中SCI/EI检索论文14篇，中文核心论文4篇；发表EI检索会议论文3篇；以第一发明人授权国家发明专利7项，申请国家发明专利9项。