基于稀疏表示分类的人脸识别的开题报告.docx

基于稀疏表示分类的人脸识别的开题报告
一、选题背景
人脸识别一直是计算机视觉领域的研究热点之一。已经有很多人脸识别的技术被提出，如PCA(PrincipalComponentAnalysis，主成分分析)、LDA(LinearDiscriminantAnalysis，线性判别分析)、SVM(SupportVectorMachine，支持向量机)、DeepLearning等等。这些方法虽然已经取得了很好的效果，但是仍然存在一些不可避免的问题，如在变化大、光照强度不一致、佩戴眼镜等情况下的识别率下降问题。
稀疏表示分类(SparseRepresentation-basedClassification，SRC)是近年来提出的一种新的人脸识别方法。SRC通过对人脸图像进行稀疏表示，并利用该表示来进行分类，能够有效地对上述问题进行处理。
因此，本文旨在研究基于稀疏表示分类的人脸识别的原理、优缺点和应用，尝试提高人脸识别的准确率和鲁棒性。
二、研究内容
1.稀疏表示分类原理
稀疏表示分类是一种基于字典学习的分类算法。其基本思想是：通过学习一个字典，将输入样本表示成该字典中的线性组合，然后对样本进行分类。具体来说，对于一个待分类的样本，通过求解最小化残差的稀疏表示得到样本对每个类别的投影，然后选择距离最小的类别作为分类结果。稀疏表示分类的分类器本质上是一个基于稀疏表示的距离度量器。
2.稀疏表示分类的优缺点
相比于传统的人脸识别方法，稀疏表示分类有以下优点：
（1）具有很好的鲁棒性，可用于处理光照变化、表情变化、佩戴眼镜等情况下的人脸识别问题；
（2）具有更好的可解释性，可以通过观察每个像素点的系数来了解输入图像与字典的匹配情况；
（3）更加灵活，可根据不同的应用需求进行字典学习。
但是，稀疏表示分类也存在一些缺点，例如：
（1）训练时间较长；
（2）对字典的质量和数量要求较高；
（3）对样本的噪声和错误较敏感。
3.稀疏表示分类在人脸识别中的应用
稀疏表示分类已经在人脸识别中得到了广泛应用，例如：
（1）针对光照变化：利用字典学习来学习球面谐波函数，从而对光照进行建模，进而进行人脸识别。
（2）针对表情变化：利用受控的三维人脸模型，生成不同表情的人脸图像，并建立字典和模型。然后用稀疏表示分类方法来识别输入的不同表情人脸图像。
（3）针对佩戴眼镜：将佩戴眼镜的人脸和不佩戴眼镜的人脸分别作为两个类别进行分类，如果输入的人脸图像被分为佩戴眼镜的类别，则说明该人佩戴了眼镜。
三、研究意义
稀疏表示分类是一种非常有前景的分类方法，可以有效地应对一些传统方法难以处理的问题。在人脸识别中采用稀疏表示分类方法，可以提高识别的准确率和鲁棒性，具有很高的研究和应用价值。
四、研究方法
本文将采用以下方法进行研究：
（1）收集和整理相关的研究资料和方法，分析和比较不同方法的优劣；
（2）学习字典学习的基础知识和算法；
（3）编写自己的字典学习和稀疏表示分类的代码，利用公开数据集进行验证。
五、预期成果
预期研究成果包括：
（1）对稀疏表示分类的原理、优缺点和应用进行全面深入的研究和分析；
（2）开发一个基于稀疏表示分类的人脸识别系统，并进行实验验证及对比分析；
（3）发表相关的研究论文，并在人脸识别领域产生一定的学术影响。