论文部分内容阅读
在人脸识别过程中,特征提取的重点在于挖掘并提取人脸数据中的关键特征,这有利于提高算法的识别和分类能力。传统基于子空间学习的特征提取算法如主成分分析(PCA)和线性判别分析(LDA),以及基于流形学习的图嵌入特征提取算法如局部线性嵌入(LLE)和局部保持投影(LPP),因为具有简单、直观、高效等优点被广泛使用。但是上述算法仍然存在许多问题和局限性,例如不能同时得到数据的全局和局部结构、线性方法对于非线性数据处理不理想、“小样本”问题以及特征冗余等等。基于稀疏特征提取的研究是人脸识别领域中的另一个热点。原始人脸数据中往往包含众多特征,稀疏特征提取可以从原始数据中找到某些最显著的特征,然后使用它们组成最小特征子集对原始数据进行最优表示,这一过程既可以简化数据又能够保留数据中的关键信息。弹性网络回归(Elastic Net)是目前常用的稀疏特征提取算法之一。本文结合常用图嵌入算法和弹性网络回归,针对上述特征提取算法中存在的问题进行研究,提出新的算法并应用在人脸识别中,主要工作有:(1)简单介绍了人脸识别的研究背景及发展历程、研究内容及应用、存在的问题等,并对几种典型的人脸数据库作了简要说明;(2)根据本文研究的内容,分别介绍了基于流形学习的图嵌入以及稀疏特征提取的思想,并对经典特征提取算法(PCA、LDA、LLE和LPP)以及稀疏特征提取算法(岭回归(Ridge)、套索回归(Lasso)和弹性网络回归)的实现步骤进行了细致的介绍,然后简单分析了上述算法的优缺点;(3)结合PCA、LLE以及弹性网络回归,提出了无监督稀疏差分嵌入(USDE)特征提取算法。该算法的基本思想是:首先,构建出基于LLE的“局部最小嵌入”以及基于PCA的“全局最大方差”;然后,使用“差分”形式解决多目标最优化问题,并结合稀疏约束构建USDE目标函数;最后,使用弹性网络回归进行稀疏性实现;(4)在最大边界准则(MMC)算法的基础上,结合LLE和弹性网络回归提出了基于最大边界准则的稀疏局部嵌入(SLE/MMC)算法。首先,SLE/MMC在保持局部近邻的基础上构建类内散布矩阵以及类间散布矩阵;然后,SLE/MMC使用“MMC”的形式以及稀疏约束构造SLE/MMC的目标函数;最后,SLE/MMC使用弹性网络回归得到一个稀疏化的结果。(5)结合二维判别局部保持投影(2DDLPP)和弹性网络回归,提出了基于稀疏二维判别局部保持投影(S2DDLPP)的特征提取方法。2DDLPP在LPP中引入类间离散度和类别信息,并直接利用原始人脸数据矩阵而不是变换后的向量进行特征映射,可以减少在变换过程中的信息损失。首先,在2DDLPP基础上,S2DDLPP在满足“类内距离最小化”和“类间距离最大化”的同时,在其目标函数上加入稀疏约束;然后,S2DDLPP使用弹性网络回归进行稀疏性实现,得到一个最优稀疏投影矩阵。