论文部分内容阅读
人脸识别是最主要的生物特征识别方法,也是模式识别的热点研究课题。自上世纪70年代,已经提出了大量的算法。目前越来越多的研究表明,人脸图像可能分布在高维观测空间的非线性流形上,因此流形学习方法受到更多学者的关注。He等人提出的局部保持投影(LocalityPreservingProjection,LPP)算法有效地解决了新样本的特征提取问题,并将其成功地应用到人脸识别中。LPP算法有两个明显的优势:能够保持人脸图像空间的局部信息;它是一个线性的方法。但LPP是一种无监督的方法,没有考虑样本的类别信息。由此,本文提出一种改进的LPDP算法。该算法融合了最大间距准则(MaximumMarginCriterion,MMC)和LPP算法的优点,将人脸图像投影在低维子空间上,使其具有最佳鉴别能力,从而获得更好的识别效果。LPDP算法的基本思想是原始空间中相距较近的样本点投影后在低维特征空间中也离得较近,同时保持类别间的距离尽可能大。实验表明LPDP算法比LPP算法更适用于人脸识别。传统的人脸识别方法都是用向量表示人脸图像的。实质上现实世界中的图像是以张量形式存在的,用向量表示图像忽略了像素点之间的相关性。近几年,He等人提出的张量子空间分析(TensorSubspaceAnalysis,TSA)方法开辟了人脸识别研究的新途径。本文中用张量子空间分析方法的思想来表示LPDP算法,提出一种新的TLPDP算法。该方法有如下的优点:第一,用张量表示保留了人脸图像的内部几何结构;第二,该算法基于局部和全局信息来寻找最具鉴别能力的分类信息;第三,该算法避免了传统向量算法中的维数灾难,特别适用于人脸识别的小样本问题,且投影后特征空间的维数更低。