外文翻译-王磊_的优秀文档.doc

人脸识别的鲁棒回归问题 □□原文来源：Imran Naseema, Roberto Togneri, Mohammed Bennamoun．Robust regression for face recognition． 1前言 随着安全威胁逐渐增加，更加突显出在一些敏感设施中安装高效可靠的鉴别系统的重要性。在这方面，生物识别技术已经表现出了良好的性能。相比于其他可利用的生物特征，如语音、虹膜、指纹、掌型和步态，脸部似乎是最自然的选择。首先，它是非侵入性的，需要用户的合作，而且廉宜实现。脸部识别广泛使用于在视频监控中用来锁定犯罪嫌疑人，也突显出了它的重要性。随着多媒体型号传输和加工在近几年来的发展，我们见证了人脸识别的许多新兴应用，例如，通过互联网进行人脸识别，正成为一个最新的应用。然而,这些相对较新的应用往往同样意味着鲁棒性问题。尽管人脸识别测试是在一个离线控制的实验室环境，但是由于环境亮度、传感器故障、信道噪声、在网络媒体压缩噪声等原因，探测器图像总是容易变形。 一般而言，人脸识别系统批判地依靠流形学习方法。一个灰度人脸图像的矩阵可表示为原始图像空间中的一个AxB维的向量。通常，在模式识别问题中，普遍认为高维数据向量是冗余测量值的潜在来源。流形学习的目的是通过一种从高维数据向低维数据适当的转变方法，揭示这种所谓的“潜在来源”。因此,在特征提取阶段，面部空间的图像要转化成低维数据向量，主要的目标就是找到一个进行转化的基函数，能够区分面部空间的代表性面部。然而，由于噪声的存在，这是一个极富挑战性的任务。有编码理论指出，迭代测量可以安全地修复存在噪声的信息。因此，在低维特征空间中维护外貌的鲁棒性实际上是目标识别中一个急切的问题，文献中称这些方法为降维。联系到关于鲁棒性的语境，这些方法被广泛地分为两大类，即重构和可识别性方法。重构方法（如PCA、ICA和NMF）据称与丢失和污染的像素有关，这些方法本质上是利用视觉冗余数据生产足够的重构性能表现。形式上，给一个输出x和一个标签y，生成分类器会学习联合概率p（x,y）和条件概率p（x|y）的模型，这种定义使用了贝叶斯定理。另一方面，我们已知可识别性方法（如LDA）由于决策界限的灵活性，在“干净”的条件下具有更好的效果，而确定最优决策的界限取决于使用直接来源于数据的p（x|y），因此其对异常值更加敏感。同传统的方法相比，它最近还被证实有许多独特的特点，如图像下采样和随机投影一样可以处理得很好。事实上,选择的特征空间可能不再是那么重要，真正重要的是特征空间的维度和分类器的设计。 在范式的人脸识别中，光照变化被认为是影响鲁棒性的一个主要问题，相关文献也中提出了几种方法来应对这个问题。一个复杂的方法就是使用人物面部姿势固定但使用不同的光照照射的模型，因此一部分人脸的测试图像就在不同的光照条件下被用于重构成不同的形状和面部的反射率。尽管这一方法取得了不错了成果，但在实际中，由于大量极端的射线，精确照明的成本是十分昂贵的。研究表明,不同亮度条件下面部图像可以转化为低维线性空间，根据这一目的可以获得3 D模型下基于球面谐波漫射光照的基础图像，可以利用物理照明的设置，以便获得可直接用于低维线性空间的基向量的图像。另一个可行的方向就是通过预处理来规范/补偿某种照明效果，如直方图均衡、伽马校正和对数变换。然而，这些初级的加工技术对于非均匀光照变化的存在并没有多大帮助。此外，一些最新的方法，如直线边缘地图和Face-ARG匹配显示了对不利光照变化的良好忍耐性，利用几何/结构信息的人脸区域可以证明这些方法的鲁棒性。 除了照明问题，一些文献中显示传统的人脸识别方法不能很好地处理存在严重的随机噪声这一问题。文献中提到的大部分针对随机像素的方法，是神经网络分类方法的变种。而一项重要的工作就是融合各个处理严重噪声的核心方法。对比传统的支持向量机方法，令人满意的结果已经证实了两个重要的加性噪声问题(椒盐噪声)和乘性噪声(斑点噪声)。同时还表明，神经网络分类器在加性高斯噪声严重的情况下优于传统的PCA、2DPCA、LDA和laplacianfaces方法。除了这些神经网络的方法，最近还提出了稀疏表示分类方法（SRC）。而提出的存在噪声（统一建模为随机变量）的方法也优于传统的PCA、ICAⅠ、LNMF和L2 +NS，然而,其他重要模式,如椒盐噪声、斑点噪声还是未做处理。 在这次研究中，我们提出了一种针对存在随机像素失真的人脸识别问题的鲁棒性分类算法。众所周知，从某个特定的对象种类中取样依赖于一个线性空间。在先前的工作中，我们提议发展专业的识别用户的模型，从而把人脸识别定义为一个线性回归问题。在这里介绍的工作中，我们把调查延伸到噪声问题中受污染的探针，其逆问题用来解决使用一种鲁棒线性H胡伯估计的新应用，并且决定这种类标签是基于