论文部分内容阅读
基于动态序列图像的人脸识别,是一个近几年刚刚兴起的研究方向。本文中主要讨论的是从序列图像到序列图像的人脸识别,即训练数据和测试数据都是连续的人脸图像序列。主要工作如下:
①在人脸表观模型在线学习方面,提出了两种新的在线学习方法,即K-主元空间学习和T-主元空间学习。
对于K-主元空间学习,每个人对应的主元空间的个数是固定的。在线学习的过程中,通过增量主元分析、主元空间合并、主元空间分裂来动态调整各个主元空间,使用不同主元空间之间的转移次数来利用序列中的动态信息。
对于T-主元空间学习,每个人对应的主元空间的个数是不固定的,使用增量主元分析来调整主元空间。在线学习的过程中,可以保证各个主元空间中包含的样本数目单调递增,除了一个最小的数目。
这两种方法都是由训练集中每个人的人脸图像序列学习出若干主元空间来近似表达人脸表观流形,并且都不需要预先离线训练一个模型,因此实现了完全的在线学习。实验表明,两种方法都可以获得较好的识别效果。
②本文中提出了一种快速PCA(主元分析)算法,在对大规模高维数据进行主元分析时,快速PCA算法与传统PCA算法相比在时间复杂度和空间复杂度方面有显著的优势。一个大数据集首先被划分成若干小数据集,然后将传统PCA算法应用于各个小数据集,得到一系列主元空间,其中每个主元空间对应一个小数据集。最后,将这些主元空间按最矮二叉树形式两两合并,最终得到的主元空间包含了原始数据集的主元分析结果。文中详细分析了这种快速PCA算法可能引入误差的上限。
本文中将这个算法应用于序列图像人脸识别中关键帧的选取。首先使用快速PCA算法计算训练样本集的主元空间,然后计算测试序列中待识别图像到这个主元空间的距离,以判断该图像是否为关键帧。将非关键帧在识别前舍弃,以提高整个序列的识别精度。实验表明,这种方法可以取得较好的识别效果,同时与传统PCA算法相比,大幅度减少了计算人脸主元空间所需的时间。