论文部分内容阅读
人脸识别是模式识别及图像处理领域的重要研究方向,具有重要的理论研究价值和广阔的实际应用前景。目前人脸识别的研究热点主要集中在特征提取和分类识别,本文主要研究人脸识别领域的特征提取部分。而在过去的几十年间,特征提取的主流方法是子空间学习,各种传统子空间学习方法的提出使得人脸识别技术取得了长足的发展。传统子空间学习算法大致分为监督子空间学习和无监督子空间学习两类,虽然各有所长但均存在一些需要解决的问题。近年来,基于稀疏表示的稀疏子空间学习已经成为一个重要的研究热点,得到了学者们的广泛关注,而基于稀疏子空间学习方法的人脸识别也取得了很好的识别结果。但由于稀疏子空间学习方法本质上属于无监督子空间学习,存在无监督子空间学习方法的问题,以及稀疏表示的全局特性导致的一些问题,其有效性亟待提高。本文在国内外相关研究的基础上,对基于稀疏表示的子空间学习算法进行改进,并进行半监督拓展,主要的创新点和内容如下:1、针对传统稀疏子空间学习方法的全局特性导致的问题,如样本间的错误重构和误学习等,本文提出了稀疏近邻相关性重构方法,通过提取全部样本间的局部结构信息和部分样本的标签信息,使得对样本的重构保留了更为准确的判别信息,解决了传统稀疏子空间学习方法由于全局特性导致的问题,并基于稀疏近邻相关性重构得到了稀疏近邻保持投影(Sparsity Neighbouring Preserving Projections,SNPP)算法。2、基于稀疏近邻相关性重构的SNPP算法虽然利用了少量标签样本的标签信息,但无法像MMC等监督子空间学习方法一样充分提取标签信息,所以其本质上还是属于无监督子空间学习方法,算法的有效性不高。本文利用半监督技术将SNPP和MMC进行结合,对SNPP算法进行半监督拓展,得到半监督的稀疏近邻保持投影(Semi-supervised Sparsity Neighbouring Preserving Projections,SSNPP)算法。3、在标准人脸库Extended Yale B、ORL和AR中,对SNPP算法和SSNPP算法的性能进行检验,选择最近邻分类器对提取的特征进行分类,并与PCA、NPE、LPP、SPP算法的分类结果进行对。实验结果表明在三个人脸库中,SNPP算法的识别准确率明显高于PCA、NPE、LPP、SPP算法,验证了稀疏近邻相关性重构的有效性和鲁棒性。而在三个人脸库中,SSNPP算法的识别率相比于SNPP算法又有较大的提升,证明了半监督拓展的合理性。此外,实验结果也表明稀疏近邻相关性重构在提取判别信息时具有良好的稳定性。