基于稀疏表示和社会环境信息的人脸识别方法研究

传统的人脸识别方法在姿态、光照和表情变化等情况下，识别性能会受到较大的限制，最近一些工作表明诸如衣服和社会关系等环境信息(context information)对解决该问题至关重要，并且基于稀疏表示的方法对人脸的遮挡和像素污染等具有鲁棒性。本项目旨在研究基于稀疏表示和社会环境信息的人脸识别方法。首先，采用基于稀疏表示的维数约简，寻找样本较好的低维表达；其次，采用基于稀疏表示的分类器，将未知标号样本分类为已知类别或者不属于任何已知类别；对于不属于任何已知类别的样本，根据"共同存在"信息构建一种"社会环境描述子"，从而充分利用其社会环境信息；最后，依据"社会环境描述子"和低维表达来定义相似性，并采用基于稀疏表示的谱聚类算法对不属于任何已知类别的人脸数据进行聚类，以实现人脸识别。本项目的研究和深化将对稀疏表示、社会环境信息和人脸识别的理论和算法研究有所贡献，并具有广阔的应用前景。

传统的人脸识别方法在姿态、光照和表情变化等情况下，识别性能会受到较大的限制，最近一些工作表明诸如衣服和社会关系等环境信息对解决该问题至关重要，并且基于稀疏表示的方法对人脸的遮挡和像素污染等具有鲁棒性。. 针对上述研究内容，我们开展了一系列的工作，取得了主要研究成果为: (1) 提出了一种名为判别稀疏邻域保持嵌入(DSNPE)的人脸识别方法。大多数稀疏子空间学习方法是无监督的，不适合分类。我们通过将判别信息添加到稀疏邻域保持嵌入(SNPE)，进而提出了一种名为判别稀疏邻域保持嵌入的人脸识别方法。DSNPE不仅保持了SNPE的稀疏重建关系，而且从以下两个方面添加了全局的判别信息：加入最大边沿准则；仅仅使用同类的训练样本来计算稀疏重建关系。在三个人脸数据库上的实验结果表明我们的方法是非常有效的。(2) 在多视角学习方面，没有一种特征能够令人满意地刻画一个图像的语义概念。多视图学习的目标是统一不同类型的特征来产生一种一致的和有效的表达。我们重新定义了块对齐框架并且开发了一种新的组稀疏的多视角块对齐框架。这个新的部件优化不仅仅考虑了各个视角的互补信息，也考虑了各个视角的一致性。特别地，视角一致性对所有可能的任意两个视角的相关性进行建模。传统的降维方法独立地执行特征抽取和特征选择，我们的方法通过L2,1范数使得投影矩阵是行稀疏的，实现了同时的特征选择和特征抽取，使得算法更具判别性。在两个现实世界数据集上的实验结果表明我们的方法在图像分类上的有效性。(3) 针对传统的人脸识别方法在姿态、光照和表情变化等情况下，识别性能会受到较大的限制，最近一些工作表明诸如衣服和社会关系等环境信息对解决该问题至关重要。我们提出一个稀疏学习方法应用于含有环境信息的人脸识别。(4) 提出了基于谱回归的判别分析(SRDA)和核化的谱回归的判别分析(SRKDA)正则化参数估计方法。SRDA是最近提出的一种有效的子空间学习方法，只有一个自由参数，即正则化参数。然而这个参数被设置为常数，这显然是次优的。我们基于扰动的线性判别分析准则提出一种新的方法，来估计SRDA的正则化参数。此外，我们还提出了两种方法来估计SRKDA的正则化参数。在人脸等数据库上的实验结果表明我们的方法是非常有效的。. 以上述成果为核心，在国际知名期刊与一流国际会议上发表了一系列论文，包括TIP两篇，TCSVT一篇