论文部分内容阅读
作为极具应用价值的生物特征识别技术,人脸识别有着无接触、快速及安全等优势,其也一直是模式识别的研究热点。但人脸图像中表情、姿态、光照度等内外在因素皆多变,使得该研究至今仍颇具挑战性。近些年来,越来越多地研究成果表明,人脸可视成一个嵌于高维空间中的低维流形,而高维数据中存在着一些由内在低维变量作用形成的流形,倘若我们可以获得控制这些变化因素的内在变量,就能挖掘出高维观测数据集中的低维流形表征,从而使得观测空间的维数极大地降低,不仅避免了“维数灾难”,而且对于识别准确率的提高往往有较大帮助。本文以流形学习为基础,主要研究了人脸识别中特征提取的两种算法,通过实验验证了它们的有效性。其主要研究工作和成果如下：1、详细分析了局部切空间排列、等距映射、拉普拉斯特征映射及局部线性嵌入这四种流形学习算法目的、原理及求解过程,对时间复杂度进行了估算,以此归纳出流形学习算法的统一框架。2、讨论了维数约简、线性化流形学习、监督流形学习及半监督流形学习等流形学习在人脸识别应用中遇到的一些关键问题,揭示了它们的区别与联系。3、提出了一种基于无监督鉴别投影(Unsupervised Discriminant Projection,UDP)的半监督流形学习人脸识别算法。该算法采用图像欧式距离(Image Euclidean Distance, IMDB)来选择各样本点的K近邻,由此得到修改后无监督判别投影中的邻接矩阵,并在传统的无监督判别投影中,利用非参数鉴别分析(Nonparametric Discriminant Analysis, NDA)融入类别标签信息获得几何最优投影,最后将经此投影方向后提取出的人脸特征信息作为分类样本。通过在人脸库上的大量比较实验,验证了该方法的准确性和有效性。与此同时,计算每两幅图像间的距离时采用的图像欧式距离也由数学推导和比较实验验证了其能够更好地反映人脸图像之间的差异。4、提出了一种基于邻域保持投影方法(Neighborhood Preserving Projections,NPP)的半监督流形学习人脸识别算法。首先针对人脸识别采用图像欧式距离(IMDB)来选择各样本点的K近邻,由此调整邻域保持投影中的重构权值矩阵,然后通过非参数鉴别分析融入类标签信息获取几何最优投影向量,最后通过对多姿态人脸库应用K阶最近邻(k-Nearest Neighbor, KNN)分类器进行比较实验,验证了该算法对人脸图像进行分类,能够获得较高的分类识别率。