主要开展数据约简表示的理论与方法、模式相似性度量的理论与方法、稳健特征提取理论与方法等研究。

实际应用:嫌疑人辅助甄别,针对不同质量图像或视频,进行人脸检测与识别,进行身份认证;人脸模拟画像检索,结合人脸识别,刑事相貌学和基于内容图像检索技术,在已有照片数据库中检索出于模拟画像最为相似的一组照片。

研究内容具体包括:

1)数据约简表示的理论与方法

结合视频监控数据的具体特点,研究基于“非局部量”的多子流形学习框架、稀疏特征抽取的模型框架问题、稀疏性程度的调控问题;围绕具体的识别问题对稀疏性进行调控,以获得最优的识别性能,探讨融鉴别性与稀疏性于一体的模型框架搭建问题;研究低秩矩阵完善和恢复理论与快速算法、基于低秩理论子空间分析方法、基于张量低秩模式分析理论建构与算法设计。

2)模式相似性度量的理论与方法

研究模式样本观察空间内相似度刻画方式,建立高维空间内度量函数的稳定性理论,设计出适用于高维空间的稳定、鲁棒的度量函数。将机器学习引入维数约简理论,使得相似性度量整合成统一框架,最终建立最优度量、最优特征抽取与鉴别分类的一体化数据表示模型和描述方法。研究从图像空间到反应空间,从特征空间到反应空间的映射关系,揭示客体在高层视觉皮层的表示机制,探讨相应逆映射策略和视觉客体重建机制。

3)稳健特征提取理论与方法

视频监控数据常常有部分元素缺失或受噪声污染,在该情况下如何恢复数据矩阵成为一个非常重要的问题。低秩先验为数据矩阵的完善和恢复提供一种可能。当噪声较小且独立同分布于高斯分布,经典的主分量分析提供了一种数据矩阵估计的最优工具。然而实际中数据的污染形式可能是任意的,比如噪声较大且是非高斯的,此时主分量分析无法提供一种准确的估计。针对这一问题,将研究稳健的主分量分析理论与方法,该方法将数据矩阵分解为两部分:低秩部分(真实数据的估计项)和稀疏部分(噪声等污染项)。利用稳健的主分量分析方法,实现监控环境下的目标和背景的自动分离。另外,针对人体及脸部特征的遮挡问题,将研究稀疏表示的理论与方法,采用该方法解决遮挡及较强噪声污染下的人脸识别问题。