论文部分内容阅读
最近,基于回归分析的稀疏编码已经广泛应用于人脸识别的研究中。大多数现有的回归方法本质上是单一使用l1范数或l2范数的保真项来表示编码残差符合高斯分布或拉普拉斯分布,但在复杂的遮挡变化中,人脸图像并不是单一的遵循某一分布。本文结合稀疏编码提出两种带有权重学习的稀疏表达鲁棒性编码,从而在多种遮挡环境中有效的实现人脸图像分类。主要内容如下:1.研究稀疏表达鲁棒性编码的l1正则最小化问题求解。由于l1范数在原点不可微,无法直接对l1范数进行求导,所以本文利用交替方向乘子法求解l1正则最小化问题。2.研究遮挡人脸识别的鲁棒性算法。首先,通过改进回归分析模型来提高算法的鲁棒性。一方面,使用Huber函数使得保真项自动匹配l1范数或l2范数;另一方面,对编码系数添加l1范数正则项,使得编码系数具有稀疏性。其次,通过学习编码残差的sigmoid权重和自适应权重来让遮挡点获得较小的权重值,从而抑制遮挡对回归分析的影响,进而提高算法在遮挡人脸识别中的鲁棒性。3.研究人脸图像的类内变化和类间变化与鲁棒性算法的关系。首先,加权的Huber约束稀疏编码和自适应加权的Huber约束稀疏编码通过单个类别的样本子集与查询样本来进行回归计算,从而降低类内变化,同时避免了类间干扰。然后,加权的Huber约束稀疏编码通过改变Sigmoid权重的幂指数大小来增大类间变化与类内变化的相对差异,从而提高算法的鲁棒性。最后,自适应加权的Huber约束稀疏编码增大了自适应权重的权重系数和编码残差的负相关性,从而增大类间变化和类内变化的相对差异,进而提高算法的鲁棒性。同时,在自适应权重中,超参数的数量更少,解释性更强。4.本文在加权的稀疏表达鲁棒性编码的研究基础上,详细阐述了遮挡人脸识别系统的基本框架和主要功能模块,最终设计了一套人脸识别原型系统。