论文部分内容阅读
人脸识别是当下热门的研究方向,研究者们对此提出许多相应的算法。其中,流形算法能够提取样本中的流形信息,自提出以来受到广泛关注,逐渐成为研究的热点方向。局部线性嵌入算法(Locally Linear Embedding,LLE)作为流形学习的经典算法,能够在降维过程中保持原本的邻域结构,减少样本信息的流失,广泛应用于图像分类、模式识别等多种领域中。但LLE算法对近邻点的个数选择较为敏感、不能有效地使用样本类别信息,且存在小样本问题。基于此,本文对其进行了深入研究,主要研究工作有以下几个部分:(1)LLE算法对近邻个数的选择较为敏感,且采用的欧式距离不能有效挖掘局部结构信息,故提出一种改进的Rank-order距离的LLE算法(Improved Rank-order local linear embedding,IROLLE)。算法首先计算每个样本点与其他样本点间的改进欧式距离,并按距离大小排序。改进的欧式距离能均衡化样本分布,从而降低由于样本点的分布不均对寻找近邻点产生的影响;然后根据排序后的距离矩阵计算样本的Rank-order距离,进而充分利用样本点之间共享的邻域信息;最后根据改进后的Rank-order距离,有效寻找样本的近邻点,构建具有邻域信息的目标函数。在ORL、Yale人脸库上的实验结果表明,改进距离的局部线性嵌入算法,能够有效获取样本的邻域信息,因而获得更好的识别效果。(2)LLE算法不能有效地利用样本的类别信息与全局信息,且具有小样本问题。针对这一问题,提出一种基于类内子空间学习的局部线性嵌入算法(local linear embedding algorithm based on intra-class subspace learning,LLE/ISL)。该算法首先对类内信息学习从而构成新的类间矩阵,以降低类间差异对人脸识别的影响;然后采用LLE算法提取样本的流形信息,获取流形投影矩阵;最后将两者的投影矩阵进行结合,使算法不但能够获取样本的类内信息,还能够弥补LLE算法不能有效获取全局信息的缺陷。实验表明,LLE算法与ISL(intra-class subspace learning,ISL)算法能够得到互补,明显改善算法的识别效果。(3)为解决LLE算法存在的难以获取样本全局信息及类内信息的问题,将其与改进的最大间距准则(Maximum Margin Criterion,MMC)算法相结合,提出一种基于改进LLE与MMC协作的人脸识别算法(Improved Rank-order local linear embedding based on intra-class subspace learning,IROLLE/ISL)。该算法能够改善LLE算法对参数的敏感性、获取邻域信息不充分等问题,同时结合MMC算法获取样本的线性信息及类内信息。对算法在复杂环境下、不同k值下、不同维数下进行实验,均得到了较好的识别率,表明改进后的算法具有更好的识别效果。图[23]表[4]参[58]