文献综述
各种智能系统在生活中的应用越来越普遍，智能系统中经常需要身份识别以便提供个性化服务。身份识别是一个很棘手的的问题，传统方法中主要是通过一些具有个人身份特征的事物来鉴别，比如证件、钥匙等身份标识物品，或者是用户名和密码之类的身份标识知识。在一些要求比较高的系统中，一般将这两方法结合起来使用，例如我们在使用ATM机时，只有ATM卡和密码都正确才能访问特定的用户并进行一些列操作。但是传统的身份鉴别方法缺点是相当明显的：身份标识物品容易丢失或被伪造，身份标识知识容易遗忘或被盗取。这个时候身份鉴别就是天方夜谭了。如果利用每个人本身的生物特征如人脸特征，指纹等等就能达到相当好的效果。这使得生物特征识别技术焕发光彩。由于微电子和机器视觉方面取得了新进展，高性能自动识别的技术可行性越来越高。近年来兴起的人脸识别在众多生物识别方法中应用最为广泛。在国外，人脸识别技术早已被大量使用在国家重要部门以及军警等安防部门。在国内，对于人脸识别技术的研究始于上世纪90年代，目前主要应用在公安、金融、网络安全、物业管理以及考勤等领域。随着安全入口控制和金融贸易方面应用需要的快速增长，生物统计识别技术得到了新的重视。人脸识别按照信息来源可分为两类：基于静态人脸图像的识别和基于动态信息的识别。由于动态识别研究处于起步阶段，该技术相对较欠缺，目前，研究较多的是静态人脸识别，即人脸来源位稳定的二维图象如照片[3]。
近几年来，国内科研人员在人脸识别系统方面进行了大量的理论分析与研究。如何快速定位一个复杂场景中的人脸，并将其识别，蕴含着巨大商业价值和社会价值。从 2009 年开始，大量的基于稀疏表征的分类算（SparseRepresentation Classification，SRC）被提出并应用到人脸识别技术。史凌祎[8]提出协同表示（Collaborative RepresentationClassification，CRC）一种改进的稀疏表征算法，该算法使用 2范数作为正则化因子，将一个过完备字典中所有的训练样本表示为测试图像的线性组合形式，这个过程实质上是解决一个带 2范数约束的最小二乘回归问题。CRC 算法有良好的鲁棒性，并且该算法有着极低的复杂度，在模式识别领域得到广泛应用。丁春辉[9]针对监控视频中人脸图像由于分辨率过低而无法准确识别的问题，提出了一种基于卷积神经网络模型的低分辨率人脸识别的解决方案。该方案提出了两种模型：多尺度输入的卷积神经网络(Convolutional NeuralNetworks,CNN)模型和基于空间金字塔池化(Spatial Pyramid Pooling,SPP)的CNN模型。第一是多尺度输入的CNN模型，该模型是对现有的'二步法'进行的改进，利用简单双三次插值方法对低分辨率图像进行上采样，再将上采样得到的图像与高分辨率图像混合作为模型训练样本，让CNN模型学习高低分辨率图像共同的特征空间，然后通过余弦距离来衡量特征相似度，最后给出识别结果。在CMU PIE和Extended Yale B数据集上的实验表明，模型的准确率要优于其他对比方法,相对于目前识别率最高的CMDA_BGE算法，准确率获得了 2.5%～9.9%的显著提升。第二是基于SPP的CNN模型，属于改进的'跨空间法'，通过在CNN模型中加入空间金字塔池化层，使模型对于不同尺寸的输入图像都可以输出恒定维度的特征向量，最后通过比较样本库与测试图像的特征相似度就可以得到最后的识别结果。实验表明，相比多尺度输入的CNN模型，该方法在保持较高准确率的同时，省去了上采样的操作，简化了图像预处理的过程，同时也减少了传统'跨空间法'中需要学习的呋射函数的个数。基于协同表示分类(CRC)算法在实际应用中的效果，考虑到样本局部相似性先验信息对分类识别的不同贡献，构建加权矩阵，并嵌入到CRC中，称为加权CRC。施志刚[10]为进一步改善人脸识别的性能，设计了如下算法：一种将加权CRC重复两次；另一种则将其与线性表示分类(LRC)结合。两种方法的共同特点为：首先基于主成分分析(PCA)对所有图像样本进行降维，以降低计算的复杂度；其次都是在第一阶段的加权CRC中根据重构残差排序保留相关性较大的训练样本用于下一阶段的分类识别。这种缩小分类目标的做法使识别更精确。在ORL，FERET及AR人脸数据库上通过仿真验证了本文所提提方法的有效性。
但是，非合作条件下人脸识别问题仍然有待解决，在非合作条件下，人脸识别技术会受到光照、姿态、表情、年龄、遮挡、远距离等变化因素的干扰导致现有的人脸识别技术性能下降,严重阻挡了人脸识别技术的实用化进程。针对非合作条件下会出现的这些干扰,研究出有效的识别方法来解决这些干扰带来的问题，使人脸识别技术从合作条件向非合作条件的方向发展是极具研究意义和实际应用价值的。刘豪[11]针对有部分遮挡情况下的人脸识别问题研究了两类方法：一类是基于全局图像的方法。这类方法将整张图像作为系统的输入,利用人脸图像的全局信息来完成识别任务，这类方法的一个典型技术方案就是将有部分遮挡的人脸识别问题看作一个重构问题，使得重构误差最小的一类即为分类结果。另外一类是基于局部图像的方法。这类方法考虑到图像中的遮挡具有连续性并且成块状分布，因此利用局部的图像信息来做识别，尽可能地降低由于部分遮挡而导致的性能下降。针对这两类方法的不足,本文提出了两种新的改进方法和模型。一种是主动引入遮挡信息的方法，考虑到人脸识别技术在实际应用中经常会遇到训练集中的数据是干净无遮挡的，而测试数据被部分遮挡的情况，我们发现在这种情况下主动向训练数据中引入遮挡信息能有效地降低遮挡引起的性能下降。通过一个稀疏和密集混合表示框架,增强的训练数据集被分解为一个类依赖字典、一个非类依赖字典和一个稀疏噪声矩阵。通过人为引入遮挡信息使算法能得到一个更加富有区分度的人脸进行识别，从而有效地提升算法的识别率。针对有部分遮挡人脸识别技术识别率低及运行速度慢的问题,提出了一种快速协同匹配的人脸识别方法。该方法首先用稀疏表示分类快速确定疑似目标集合，然后利用动态图规整精确识别目标，从而改善有部分遮挡人脸识别方法的识别率和速度，推动人脸识别技术的实用化。
为了解决人脸识别应用中针对人脸姿态的变化、光照等外部环境变化导致识别率不高且稀疏表示应用于人脸识别收敛速度慢的情况，严旭东[12]提出了一种基于多分量的Gabor特征提取和自适应权重选择的协同表示人脸识别算法(GAW-CRC)。特征提取阶段将Gabor变换的所有特征分量中鉴别能力较差的分量淘汰，剩余分量构建特征字典，分别协同表示对应测试样本的特征分量，将所有剩余分量的识别结果，按照自适应的权重函数加权融合得出最终分类结果。实验证明：算法应用于AR，FERET与Extended Yale B人脸库中，当对应的样本存在人脸角度变化、表情变化和光照条件变化等情况时，能够得到更高的识别率。快速稀疏描述分类法(FSRC)与协同描述分类法(CRC)是在压缩感知理论的基础上发展而来的，不同的侧重点限制了两者在人脸识别上的进一步提升。针对此，刘子渊等[13]提出了融合快速稀疏描述与协同描述的人脸识别方法。首先，将人脸镜像图像引入样本库，然后，利用FSRC与CRC方法求解残差矩阵，最后，利用加权信息融合的方式将两者的残差矩阵进行权值加和，依据最小值所对应的位置信息求取识别率。公共人脸数据库的实验表明,所提方法优于FSRC、CRC及其他方法。
本课题的主要内容是图像预处理,它主要从摄像头中获取人脸图像然后进行处理，以便提高定位和识别的准确率，该模块主要包含光线补偿、图像灰度化、高斯平滑、均衡直方图、图像对比度增强，图像预处理模块在整个系统中起着极其关键的作用，图像处理的好坏直接影响着后面的定位和识别工作。本次课题研究中，我们将讨论研究基于协同表示的人脸识别系统设计处理方法。
参考文献：
[1]ChellappaR,WilsonCLSiroheySHumanandmachinerecognitionoffacesasurvey[J].ProceedingoftheIEEE,1995,83(5)：705-740.
[2]HjelmasE,LowBKFacedetection:asurvey[J].ComputerVisionandimageunderstanding,2001,83(1):236-274.
[3] Wright J,Yang A Y,Ganesh A,et al.Robust Face Recognition viaSparse Representation[J].IEEE Trans.on Pattern Analysis and Machine Intelligence,2009,31(2):210-227
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
