论文部分内容阅读
随着科技进步和安全方面的迫切需求,单样本人脸识别越来越得到学者们的高度重视,并成为人脸识别领域的一个非常重要的研究分支。针对单样本人脸识别问题,主流的方法可分为四类:局部特征表示法、通用学习框架法、虚拟样本扩展法以及图像分块法,其中,目前最受欢迎的是图像分块法,许多分块图像法可在一定程度上解决单样本人脸识别问题,但是,这些方法在特征提取时往往会忽略图像几何信息。为了提高单样本人脸识别率,本文提出了一种通用学习框架方法。首先,借助于通用训练样本集,将大量的通用样本与各个单样本按一定比例叠加,从而增加每个类的训练样本总数,利用PCA对多样本降维以降低计算复杂度;然后,利用传统的方法进行特征提取,将所有样本投影到特征子空间;最后,计算测试样本与每个训练样本之间的欧氏距离,并利用最大隶属度原则完成人脸识别。在ORL及Yale人脸数据库上的实验结果表明,本文提出的通用学习框架方法在一定程度上减轻了人脸的表情、姿态、光照等因素对识别效果的影响。针对传统的单样本人脸识别方法在特征提取时容易忽略图像几何信息的问题,基于每个人的各个图像小块分布于一个流形的假设,提出了基于通用学习框架和Fisher准则的多流形判别分析方法,将单样本人脸识别问题转化成了流形与流形之间的距离问题,与传统的分块方法不同的是,提出的多流形方法并没有将图像进行分块,首先利用提出的通用学习框架方法将单样本问题转化成多样本问题,假设每个类的多个样本分布于各自的流形;接着,基于Fisher准则,提出了最优化目标函数,构造多流形判别分析方法;然后,利用迭代算法求解最优化投影矩阵;最后,计算测试图像的流形与各个训练图像流形之间的距离,并利用稀疏系数重构完成人脸的识别。在两大通用人脸数据库ORL及AR上的实验验证了提出的多流形判别分析方法的有效性,实验结果表明,相比其它几种较为新颖的人脸识别方法,本文方法取得了更好的单样本识别率。