基于稀疏表示与多核学习的人脸识别方法研究

Face recognition is an important issue of pattern recognition, and is a strategic high-tech to protect national public security and improve people’s livelihood. The project researches SRC-oriented dimensionality reduction, face feature extraction based on multiple kernel learning, multiple kernel regression classification, and kernel extended dictionary for occluded face recognition four aspects. SRC has been a huge success in face recognition, but dimensionality reduction must be performed on high dimensional face data before classification, and few studies concern SRC-oriented dimensionality reduction, which will be seriously researched in the project. MKL can effectively fuse face multiple features. The project will find more stable face features, consider similarity measurement, get better DR criterion and solving algorithm for MKL-DR. Most classifier only use one error metric, while the project will present multiple kernel regression for classification, considering various error metrics at the same time. In order to fuse multiple features of the regions without occlusion and remove the influence of occlusion in kernel space at the same time, the project will construct extended dictionary in kernel space. The project can strengthen the theoretical depth and application scope of sparse representation and MKL, and promote the development of face recognition.

人脸识别是模式识别的重要研究方向，也是保障国家公共安全、改善民生的战略高新技术。本项目研究面向稀疏表示分类的降维方法、基于多核学习的人脸特征提取方法，基于多核回归的分类器设计和基于核扩展字典的遮挡人脸识别方法四方面内容。稀疏表示分类在人脸识别中取得了巨大的成功，但是分类前需要对高维人脸数据进行降维，而目前鲜有针对稀疏表示分类的降维方法的研究，本项目将认真研究此问题。多核学习能把人脸的多个特征有效地融合在一起，本项目将寻找人脸更稳定的特征、研究特征之间的相似性度量、得到多核学习模型更好的分类准则及求解算法。目前的分类器通常使用一种误差度量，本项目将提出基于多核回归的分类器，同时考虑多种误差度量。为了既能在核空间融合人脸非遮挡区域的多种特征的同时去除人脸遮挡的影响，本项目将在核空间构造扩展字典。通过本项目的研究，进一步加强稀疏表示和多核学习的理论深度和应用广度，促进人脸识别的发展。

人脸识别是模式识别的重要研究方向，也是保障国家公共安全、改善民生的战略高新技术。稀疏表示分类在人脸识别中取得了巨大的成功，但是分类前需要对高维人脸数据进行降维，而目前鲜有针对稀疏表示分类的降维方法的研究，本项目提出适合SRC特点的子空间的数学模型（该成果发表在《Pattern Recognition》）。多核学习能把人脸的多个特征有效地融合在一起，本项目提出了一种基于多核学习的人脸识别方法（该成果发表在《Pattern Recognition》）。目前的分类器通常使用一种误差度量，本项目提出了基于多核回归的分类器，同时考虑多种误差度量（该成果发表在《IEEE TIP》）。为了既能在核空间融合人脸非遮挡区域的多种特征的同时去除人脸遮挡的影响，本项目在核空间构造扩展字典（该成果发表在《IEEE TNNLS》）。通过本项目的研究，进一步加强稀疏表示和多核学习的理论深度和应用广度，促进人脸识别的发展。