基于自调进度稀疏表示的人脸识别算法研究

In recent years, sparse representation method is a hot research topic in the field of face recognition. Compared with the traditional sparse representation model, the Lp-norm (0<p<1) based model is better, but it needs to solve the non-convex optimization problem, which is hard to compute and an algorithm may easily get trapped in the local minima. Aiming at solving the above problem of the Lp-norm based sparse representation model, we will study the following issues: (1) We will apply the self-paced learning idea to solving Lp-norm based sparse representation model, which can reduce the influence of noise and outliers in the learning process, and avoid getting trapped in the poor local minima. (2) In order to handle large-scale face image data, we will design the self-paced learning based nonlinear sparse representation based classification method (SRC). (3) We will also design the fast algorithm for self-paced learning based SRC, and try to project the samples onto the low dimensional space, in which the self-paced learning based SRC can obtain higher classification accuracy than that in original space. (4) We seek to preserve the local geometric structure of the data and enhance the discriminant ability of the data in designing the sparse regression model. We also introduce the self-paced learning idea to this model to obtain more robust and sparse solution, which can be expected to have better face image representation and classification result.

近年来，稀疏表示是人脸识别领域中的一个研究热点。相比传统的稀疏表示模型，基于Lp范数（0<p<1）约束的稀疏表示模型的解向量常常更优，但其需要求解非凸优化问题，求解难度较大且容易陷入局部极小点。针对Lp范数约束的稀疏表示模型的以上问题，本项目拟研究如下内容：（1）将自调进度学习的思想引入到稀疏表示模型的求解中，减少噪声和野点对学习过程带来的不利影响，避免陷入较差的局部极小点；（2）设计自调进度学习的非线性稀疏表示分类方法以提升其对大规模复杂人脸图像数据的分类效果；（3）设计快速的自调进度稀疏表示分类算法，并使其在低维空间中的分类精度不低于其在原始空间中的分类精度；（4）在稀疏回归模型的基础上，考虑保持回归前后数据的局部几何结构以及回归后数据的鉴别性，并使用自调进度学习的方案求解相应模型，有望能获得较好的人脸图像表示和分类效果。

稀疏表示是机器学习和人工智能领域的研究热点，被广泛应用于人脸识别等问题中。需要指出的是稀疏表示模型的鲁棒性和分类性能有待提升。本项目设计一系列基于自步学习、稀疏表示的分类方法，将其应用于人脸识别等图像识别问题中。自定步调学习能够模拟人类学习过程中由易到难学习的特性，使算法的鲁棒性得到提升。传统的自定步调学习只对样本进行自适应加权学习，我们对自定步调学习进行了扩展，将其推广到了对特征进行自适应加权学习。结合稀疏表示的分类机制，我们设计出了基于自定步调学习的稀疏表示分类方法，在多种生物特征识别数据集上的结果表明了我们方法的有效性。我们还对稀疏表示分类方法进行了改进，设计了多线性表示分类方法、结合虚拟样本的线性表示分类方法等，相关实验表明我们的方法能够提升图像识别的精度。传统的稀疏表示分类方法主要针对单模态数据学习问题而设计，对于多模态数据学习的性能难以满足要求。我们将基于自定步调学习的稀疏表示应用于多模态数据识别问题，在目标函数中对多个模态的模型参数进行结构约束，通过自定步调学习避免模型陷入局部极小解，实验表明我们的方法在多模态问题上能够获得更高的分类准确率。我们还将稀疏表示方法应用于解决医学影像识别问题，主要包括通过稀疏表示方法进行脑区间的构图，然后建立基于有效距离的脑网络，将多个脑区间的关联信息融入到脑网络中，进而进行对个体的识别，实验表明该方法比传统的脑网络方法有更好的分类性能。采用非负稀疏表示方法对脑网络中的关键连接进行提取，实验表明该方法比提取拓扑属性等方法有更高的分类精度。