《开题报告(王珂)》由会员分享，可在线阅读，更多相关《开题报告(王珂)（11页珍藏版）》请在金锄头文库上搜索。
1、4彥臾李研究生文献综述及学位论文选题报告学 院专 业研究生姓名学号学位级别指导教师入学年月重庆大学研究生院填表日期年 月 日一、论文选题报告由研究生向系（研究室）汇报并听取意见后，整理成文填写。二、研究生应在入学后的第三学期内完成选题报告。三、本表须作为答辩申报材料之一。一、论文选题报告（申请时间：2013年12月 日）论文题目：基于稀疏编码的人脸识别算法研究方向:课题来源国家 项目部、省级 项 目横向联系自拟合同编号经费数（万元）V题目类型基础研究应用研究工程应用其它V自选报告内容：（问题的提出及其研究意义；国内外现状综述；研究目的、内容、技术路线;可行性论证等）1. 问题的提出及其研究意义
2、模式识别（Pattern Recognition）是指对表征事物或现象的各种形式的徴值的、文字的和逻辑 关系的）信息进行处理和分析，以对事物或现象进行描述、辨认、分类和解释的过程,是信息科学和 人工智能的重要组成部分。模式识别又常称作模式分类。人脸识别是当前模式识别和人工智能领域的重要研究课题，近10多年来已成为一个非常活 跃的研究方向。所谓人脸识别就是利用计算机分析人脸图像，进而从中提取出有效的识别信息, 用来“辨认”身份的一技术。由于计算机的人脸识别技术具有特征录入方便、应用场合广泛、 对人体无侵入等优势，因此在公安系统的犯罪身份识别、银行和海关的监控、安全验证系统及 档案管理系统等领域具
3、有广阔的应用前景。虽然人类的人脸识别能力很强，能够记住并辨认上 千个不同的人脸，但建造一个自动、高识别率的计算机人脸识别系统并非易事。首先，人脸是 一个三维非刚性物体，表情、姿态、光源的不同使得同一个人的图像千变万化，而且从二维图 像重建三维人脸是病态过程，目前尚没有很好的描绘人脸的三维模型；其次，人脸随着年龄的 增长而发生变化；再次，眼镜、发型、胡须等都对人脸图像存在影响。由此可见人脸检测有一 定的难度和复杂性，但对这一问题的深入研究必将推动模式识别、计算机视觉、人工智能等计 算机分支科学的发展。这使得人脸识别称为一项极富挑战性的课题。2. 国内外现状综述2. 1人脸识别的发展现状从上个世纪
4、60年代起，人脸识别技术就引起了广大研究人员的注意，进入90年代以后， 随着安全领域对人脸识别系统的迫切需求，使得人脸识别的研究真正步入了快速发展的轨道。人脸识别作为模式识别的一种，一般可以分为三个组成部分：从场景中检测并分割人脸； 抽取人脸特征；匹配和识别人脸。Brunclli和Poggio将将人脸识别的技术和方法分为两大类： 基于几何特征(Geometric Feature-based)的方法和基于模板匹酉B(Template Matching-based)的方 法。后来出现了很多新的人脸识别技术和方法，然而这些技术和方法仍然可以按照Brunclli和 Poggio的方法分类。目前人脸识别
5、的基本方法有：整体匹配方法、局部特征的匹配方法和两者 的混合算法。其中整体匹配方法包括：基于特征脸的人脸识别方法、示例学习法、基于SVM 的人来能识别算法；基于局部特征的匹配算法包括：模板匹配法、基于神经网络方法、基于隐 马尔科夫方法、基于几何特征的方法、基于稀疏表示等。2. 2常用人脸识别算法2.2.1基于特征脸的人脸识别方法基于主元成分分析(PCA)的特征脸识别方法其主要目的是进行降维，将原来的高维空间 投影到低维空间上，在降维后保存了原数据中的主要信息，从而使数据更加容易处理。PCA方 法最早由Sirvitch和Kirby提出。PCA实际上是K-L变换展开的网络递推实现。K-L变换是图像
6、压 缩技术中的一种最优正交变换，人们将它用于统计特征提取，从而形成了空间法模式识别的基 础。将K-L变换用于人脸识别，需要假设人脸处于低维线性空间，高维线性空间经K-L变换后， 可得到一组新的正交基，由此可以通过保留部分正交基呈现人脸的形状，因此这些正交基也称 为特征脸，类似的的人脸识别方法我们一般称之为特征脸法。它是在20世纪90年代初，由Turk 和Pentland提出的，是基于主元成分分析中最具代表性的方法，并成为应用于人脸识别问题的 最流行的算法。特征脸方法作为图像的统计方法，图像中所有的像素都被赋予了同等的地位，但角度、光 照、表情等的干扰会使识别率下降；其次，人脸在人脸的空间分布近
7、似于高斯分布，并且普通 人脸位于均值附近，而特殊人脸则位于边缘分布，这就造成了越普通的人脸越难以识别。因此 在特征脸技术的基础上研究者提出了各种各样的改进版本或扩展方法。Belhumeur等人提出了 Fisherfaces 方法。Fisherfaces ill Fisher 线性判别式(Fisher, s linear discriminant, FLD)思想派生而来, 同时考虑类间离散度和类内离散度，使这两者的比率达到最大。Bartlett等人提出，传统的PCA 方法只依靠像素间的二阶关系来寻找人脸基础图像，而重要的信息却可能包含在像素间的高阶 关系中，人们自然就希望可以利用这些高阶统计信息
8、寻找到更好的基础图像，因此他们提出了 一种广义的PCA方法，即独立成分分析法(ICA )用于人脸特征提取。之后，学者们一般将PCA 与ICA结合来进行人脸图像的特征提取。另一种成功的改进方法是将人脸进行差异性分类，即 分为“脸内聚合”和“脸间离散”，实际人脸差异为两者之和。222基于几何结构特征与灰度特征融合的人脸识别方法近年来，基于几何结构特征与灰度特征融合的算法日趋完善。Cootes提出的主动外观模型 (active appearance model AAM )将几何特征统计分析与灰度分布统计分析相结合，既可以用于 图像合成又可以用于图像分析的特征提取和匹配，已经吸引了越来越多的注意。弹性
9、图匹配技 术是山Wiskott等人提出的，它基于几何特征与对灰度分布信息进行小波纹理分析相结合的识别 算法。该算法较好地利用了人脸的结构和灰度分布信息，且还具有自动精确定位面部特征点的 功能,因而具有良好的识别效果；缺点是计算量大，实现复杂。Wurtz分离了人脸图像的背景信 息，提出了多层次的金字塔结构属性图，利用在该金字塔结构中从上至下、从粗糙到精确的匹 配来建立图像与原型图之间的映射。在匹配过程中保留良好的对应点，丢弃相似性极小的节点。 该方法总能产生与给定图像极其相似的原型图，并对图像的背景变化、小幅变形和转换有一定 的鲁棒性。孙大瑞等人提出了一种局部特征与整个人脸相结合的方法，首先利用
10、Gabor小波变换 对几个区域特征分别提取特征矢量，然后进行弹性变形，得到各个特征匹配度量的加权和作为 分类标准。张海砺等人基于当今流行的网格技术提出了一种自适应的弹性图人脸匹配方法，他 们将人脸分成多个子区域，用不同密集度的弹性图划分和不同的变形粒度实现弹性变形，采用 了确定性的退火算法找到弹性变形的最佳匹配。该方法在较大的人脸数据库和非约束环境中, 识别速度和识别率均有提高。2.2.3基于神经网络的人脸识别方法基于神经网络的人脸识别方法从本质上讲也是一种基于样本的学习方法。MIT的学者首先 对人脸样本集和非人脸样本集聚类，以测试样本与人脸样本和非人脸样本的子类之间的距离作 为分类的度量，利
11、用多层感知(MLP)网络作为分类器。CMU的研究人员直接以图像作为神经网 络的输入，设计了一个具有独特结构的适用于人脸特征的神经网络分类器，并通过前馈神经网 络对检测结果优化。Raphael Feraud等利用多个神经网络：多层感知器(MLP)和约束产生式模型 (CGM),实现了一个一个可应用于WEB中人脸图像检测的快速而准确的人脸检测方法。Sang Hung Lin等训练了两个基于概率决策的神经网络，用于人脸检测，眼睛定位人脸识别，实现了 一个完整的人脸识别系统。应用神经网络进行人脸识别的特征提取和分类器设计，避免了复杂的特征提取工作。其中 自适应主分量神经网络算法是比较成熟的人脸特征提取方
12、法个例。目前将传统算法和神经网络 相结合设计出的人脸识别模型比较多，并且在识别效果的准确率、鲁棒性、容错性等方面取得 了一定的进展。但由于原始灰度图数据量十分庞大，因此神经元数目通常较多，训练时间较长。 另外，虽然神经网络有极强的归纳能力，但当样本数量较多时会导致性能的急剧下降，而近两 年来提出的压缩感知理论很好的解决了这方面的问题。2.2.4基于隐马尔可夫的人脸识别方法基于隐马尔可夫模型的人脸识别方法是基于模型的人脸识别方法的典型代表。隐马尔可夫 模型(HMM )的基本理论形成于20世纪60年代末期和70年代初期。Samaria等人最早建立了关 于人脸的隐马尔可夫模型，他认为人脸图像从上至下
13、包含额头、眼睛、鼻子、嘴巴和下巴五个 显著特征区域，隐含五个状态。他将图像用一个矩形窗从上到下分成若干块，将窗口内的像素 点排成列向量，用每个区块的像素值作为观察序列来进行人脸识别。该方法需要占用较大的存 储空间并且有较高的计算复杂性。利用像素值作为观察序列有两个弊端：a)像素值作为特征不 够健壮，同时其对图像噪声、光照强度改变等非常敏感；b)高维的观察序列导致了训练和识别 系统的高计算复杂性，增加了识别时间。Nefian等人提出了一种基于二维离散余弦变换(2-d-m ensiona 1 d isperse cosine transform, 2D-DCT)特征向量提取的新方法。该方法将人脸图
14、像分成若干个有交叠的模块，从每个模 块中提取一组2D-DCT系数作为HMM的观察序列。与Samaria的方法相比，他的方法在一定程 度上降低了计算的复杂性并占用较小的存储空间。刘小军等人吸收了 Samaria和Nefian的思想, 借鉴Nefian的模块分区方法，将各模块利用奇异值分解提取特征向量作为观察序列。因为奇异值 向量的一些良好特性，使得该方法取得了较高的识别率。2.2.5基于稀疏编码的人脸识别方法稀疏编码算法理论基于压缩感知的基本原理。通过构造一个过完备字典，求解出测试样本 在其上的最稀疏线性表示来实现人脸识别。该理论起源于S.Chen和D.Donoho等人提出的基追 踪(Basis
15、 Pursuit)算法问题，但知道2008年才被马毅等人真正用于人脸识别技术，他们将样本的 识别近似的表示为：寻找一个由训练样本对测试样本的最佳线性表示的稀疏解向量，也就是在 大量的训练样本中。得到训练样本的对测试样本的最稀疏线性表出。如果测试样本属与训练样 本库中的某一类，那么该测试样本向量中的非零系数对应同一类的训练样本，解向量的其它元 素均为零。很明显，当训练样本库中的样本数量足够多时，这个线性表出的解向量的线性表出就足够 稀疏，只有少部分元素值是非零值。基于稀疏编码思想的人脸识别方法在ORL和Extended Yale B人脸数据库的实验都得到了很好的效果，识别率明显高于目前常用人脸识
16、别算法。然而，稀 疏编码理论仍有许多可待研究之处，比如能否进一步完善稀疏编码的理论、是否能找到一种快 速的稀疏模型求解方法来降低计算复杂度等。3. 课题研究目的、内容、技术路线3.1研究目的(1) 为解决人脸识别中运算速度和识别效果之间的矛盾,同时更有效地提取出图像的局部特 征，在传统的非负稀疏编码算法的基础上，提出一种具有稀疏度约束的局部非负稀疏编码算法.(2) 尽量在不提升时间复杂度的前提下设法修正已有方法存在的缺陷，以期达到更好的迭代 效果。(3) 通过理论分析和多次数值实验验证新模型和新算法应用于人脸识别的优越性。3.2研究内容(1) 研究初始非负稀疏编码算法及其扩展算法。(2) 研究稀疏编码模型稀疏度的控制条件。(3) 研究如何有效地提
