基于稀疏表示和低秩矩阵分解的鲁棒人脸识别研究

Face recognition is a hot research field because of its huge application potential, including access control, social network, criminal investigation, etc. Despite years of active research, it remains an unsolved problem due to the many variances, such as pose, illumination, facial expression, occlusion, corruption and so on. Recently, sparse representation and low-rank matrix recovery have been applied face recognition and achieved impressive success...The project will study on face recognition including the following three aspects:.1) In order to deal with the training samples containing many variances, such as pose, illumination, facial expression, occlusion, corruption and so on, the project researches a novel denoising method to extract discriminative feature by low rank matrix decomposition and considering the local geometric structure of dataset. .2) When the test sample contains many variances, such as pose, illumination, facial expression, occlusion, corruption and so on, the sparse representation based classifier isn’t robust. Fr reconstruction error, the project tries to find a new robust measure to adjust Least-Square by considering the local geometric structure of the test sample..3) Face recognition is a small sample size problem. the project researches the training samples are decomposed into class-specific discriminative feature and non-class specific feature which can be used to represent any sample.

人脸识别是模式识别的重要研究方向，现已广泛应用于日常生活。但是不可控条件下的人脸识别受到光照、表情、姿势、遮挡等因素影响，依然极具挑战。近年来，稀疏表示及低秩矩阵恢复在人脸识别中取得巨大成功。.本项目主要研究下面三个问题：针对训练集中存在光照、表情、遮挡等干扰识别的因素，在低秩矩阵分解框架下，综合考虑数据的局部几何结构，研究新的去干扰方法，提取判别特征；研究结合近邻样本和远邻域样本的信息，修正重构误差度量，解决识别时测试样本受到严重污染的影响；不可控条件下的人脸识别是个小样本问题，重点是能否有效地提取每个人的不同于别人的关键判别特征，本项目研究从训练样本中学习每个人的判别特征及所有样本可共享特征，构造每类独有的不变子空间及共享子空间，提高训练样本表示能力。

随着 互联网、 信息技术的发展，人脸等生物特征验证技术纷至沓来，然而人脸识别经常受到光照条件、遮挡、训练样本不足等情况的制约，成为亟需解决的问题。本项目主要研究一下三方面问题：针对图片中存在的较为严重的噪声污染，我们通过将深度自编码神经网络与低秩矩阵分解及共形结合，利用深度自编码网络发现学习数据的非线性结构，并提出一个共形层的概念，将原始的高维数据降到非线性的低维共形空间，尽量保持原始数据的局部结构，也即数据之间的三角关系，同时也考虑数据的整体信息，低秩结构，最后将低维空间数据通过编码器又映射回原始空间。实验表明，我们的方法能很好地去除原始数据中较大的噪声污染，比如遮挡、光照不平衡等问题；将测试样本放在训练样本集中考虑数据的局部几何结构，提出新的度量，并提出基于新度量的协同表示分类器。我们首先将测试样本的邻域找出来。传统的方法将其邻域内的所有样本都同等看待，显然这不是很合理，有的样本离测试样本非常近，而有的非常远，因此，我们将其邻域的样本根据与其距离远近分为正向邻域集和负向邻域集。因为如果与其来自同一类的训练样本，虽然不一定离它很近，但一定不会离它太远，所以我们认为较远的邻域其实是负向邻域。然后我们要求表示不仅要重构要测试样本，同时也要重构的样本离正向邻域集的样本尽量近而与负向邻域集的样本尽量远，以此思想提出了一个新的度量函数来求解表达系数。实验结果表明，我们的方法能有效地处理训练样本不足及样本受到噪声污染的情形。第三，传统的稀疏表示方法是基于1范数的，求解较费时，本项目提出了基于协同表示下的竞争学习求解系数，我们的方法有解析解，同时实验表明只有较少的类样本对测试样本表达起关键作用，其它类样本作用很小；同时我们也提出了一个正交表示的方法，我们希望求解测试样本在各类子空间的贡献是正交的，这样更能凸显每类的真实贡献。