基于低秩表示的鲁棒特征抽取和分类方法研究

How to alleviate the impacts of noises in an uncontrolled environment is a key problem of biometrics. Recent studies on low rank decomposition theories (LRDT) reveal that many observations can be intrinsically expressed as a sum of a low-rank component and a sparse component. The clean data can be recovered from observations corrupted by gross noises or outliers through the LRDT. According to the assumption of LRDT, the noises of observations follow the Laplacian distribution or Gaussian distribution, which does not hold in many real applications. Based on LRDT, we developed noise adaptive robust feature extraction and robust classifications methods. The proposed methods can automatically estimate the distribution of the environment noises and filter the noises adaptively. Our methods address the noise issue in an uncontrolled environment efficiently due to their robustness to the noises. The research will produce significant values both in theoretic and application areas. The projection combines sparse mechanisms of human perception image, LRDT and manifold learning together, enriching the theoretical systems of pattern recognition and feature extraction techniques. Designing the feature extraction and classification algorithms with more robustness and discrimination ability is to provide better technical support for biometrics in an uncontrolled environment.

在非受控环境下，如何有效消除环境噪声影响是生物特征识别技术面临的难点。近年的低秩分解理论揭示，许多实际观测量都可以归结为一个低秩分量和稀疏噪声分量相加的模式。借助矩阵的低秩分解理论，可以从噪声或污染数据中恢复原始数据信息。低秩分解理论通常假设噪声数据服从拉普拉斯分布或者高斯分布，在复杂的现实场景中往往是不成立的。本项目提出基于低秩分解理论的噪声自适应的鲁棒特征提取方法和鲁棒分类方法。提出的方法能根据不同的场景自适应地过滤掉观测数据中的噪声污染，具有较强的鲁棒性，有效地解决了生物特征识别在非受控环境下的噪声污染问题，具有较高的理论价值和应用价值。本项目研究将人类感知图像的稀疏性机制、低秩表示理论与流形学习的研究结合起来，丰富和发展了模式识别的理论体系；在技术上设计出更具鲁棒性和鉴别能力的特征抽取和分类算法，为非受控环境下的鲁棒生物特征识别提供更好的技术支撑。

目前，在受控场景下，生物特征识别技术取得了非常高的识别率。以人脸识别为例，在受控场景一对一的人脸识别准确率可以超过99%。但是在非受控场景下，由于光照、遮挡和表情等因素影响，人脸识别的准确率还不能达到令人满意的结果。如何在非受控环境下的鲁棒特征提取和分类问题是生物特征识别技术面临的难点，一直是影响其产业化的关键。该问题的有效解决将对生物特征识别中的各个应用领域产生重大的影响。.最近矩阵低秩分解理论研究表明，许多实际的观测量都可以归结为一个低秩分量和稀疏分量相加的模式，该模式能够有效地去除噪声，恢复数据本来的面目。这为非受控环境下的鲁棒特征提取和分类提供了非常有效的理论和方法。.项目组围绕鲁棒生物特征识别的研究目标，利用低秩矩阵分解理论对噪声鲁棒的特点，研究了基于低秩分解的鲁棒特征提取和分类模型算法，并将提出的算法应用到生物特征识别以及医学影像处理等方面，有效地降低了生物特征识别中的噪声影响，使得特征提取模型和分类模型对噪声具备较强的鲁棒性，提高生物特征识别的可靠性。在为期三年的研究中，项目主持人以第一作者和通信作者身份发表 SCI 论文 4 篇，会议论文1篇，圆满地完成了预期目标。.项目成果具有较为广泛的应用领域，尤其在图像识别方面。如人脸识别、掌纹识别、指关节纹识别、医学图像处理等。