基於低秩表示的魯棒特徵抽取和分類方法研究

《基於低秩表示的魯棒特徵抽取和分類方法研究》是依託南京師範大學，由陳燚擔任項目負責人的青年科學基金項目。

基本介紹

• 中文名：基於低秩表示的魯棒特徵抽取和分類方法研究
• 項目類別：青年科學基金項目
• 項目負責人：陳燚
• 依託單位：南京師範大學

項目摘要

在非受控環境下，如何有效消除環境噪聲影響是生物特徵識別技術面臨的難點。近年的低秩分解理論揭示，許多實際觀測量都可以歸結為一個低秩分量和稀疏噪聲分量相加的模式。藉助矩陣的低秩分解理論，可以從噪聲或污染數據中恢復原始數據信息。低秩分解理論通常假設噪聲數據服從拉普拉斯分布或者高斯分布，在複雜的現實場景中往往是不成立的。本項目提出基於低秩分解理論的噪聲自適應的魯棒特徵提取方法和魯棒分類方法。提出的方法能根據不同的場景自適應地過濾掉觀測數據中的噪聲污染，具有較強的魯棒性，有效地解決了生物特徵識別在非受控環境下的噪聲污染問題，具有較高的理論價值和套用價值。本項目研究將人類感知圖像的稀疏性機制、低秩表示理論與流形學習的研究結合起來，豐富和發展了模式識別的理論體系；在技術上設計出更具魯棒性和鑑別能力的特徵抽取和分類算法，為非受控環境下的魯棒生物特徵識別提供更好的技術支撐。

結題摘要

目前，在受控場景下，生物特徵識別技術取得了非常高的識別率。以人臉識別為例，在受控場景一對一的人臉識別準確率可以超過99%。但是在非受控場景下，由於光照、遮擋和表情等因素影響，人臉識別的準確率還不能達到令人滿意的結果。如何在非受控環境下的魯棒特徵提取和分類問題是生物特徵識別技術面臨的難點，一直是影響其產業化的關鍵。該問題的有效解決將對生物特徵識別中的各個套用領域產生重大的影響。 最近矩陣低秩分解理論研究表明，許多實際的觀測量都可以歸結為一個低秩分量和稀疏分量相加的模式，該模式能夠有效地去除噪聲，恢複數據本來的面目。這為非受控環境下的魯棒特徵提取和分類提供了非常有效的理論和方法。 項目組圍繞魯棒生物特徵識別的研究目標，利用低秩矩陣分解理論對噪聲魯棒的特點，研究了基於低秩分解的魯棒特徵提取和分類模型算法，並將提出的算法套用到生物特徵識別以及醫學影像處理等方面，有效地降低了生物特徵識別中的噪聲影響，使得特徵提取模型和分類模型對噪聲具備較強的魯棒性，提高生物特徵識別的可靠性。在為期三年的研究中，項目主持人以第一作者和通信作者身份發表 SCI 論文 4 篇，會議論文1篇，圓滿地完成了預期目標。 項目成果具有較為廣泛的套用領域，尤其在圖像識別方面。如人臉識別、掌紋識別、指關節紋識別、醫學圖像處理等。