基于子空間方法的人臉識(shí)別算法研究.pdf

1、原始人臉圖像冗余信息較多,如何舍棄這些信息,提取出最具判別性的特征,并能有效地、準(zhǔn)確地、實(shí)時(shí)地識(shí)別目標(biāo)人臉,是人臉識(shí)別的關(guān)鍵所在。本文以研究如何提取有效的人臉判別信息為根本目標(biāo),著重研究和分析了人臉識(shí)別領(lǐng)域子空間方法。盡管子空間方法可以很好地揭示數(shù)據(jù)的子流形結(jié)構(gòu),但其自身也存在很多的缺陷,為此研究人員對(duì)其進(jìn)行了研究和發(fā)展。本文深入研究和分析了已有人臉識(shí)別子空間方法的優(yōu)缺點(diǎn),并提出了相應(yīng)的解決方案,主要包括以下兩個(gè)方案:
　　1)針

2、對(duì)鄰域保持嵌入(Neighborhood preserving embedding, NPE)算法直接使用樣本的K近鄰重構(gòu)該樣本,并未區(qū)分同類近鄰與異類近鄰的重要性,導(dǎo)致其識(shí)別效果不佳,本文提出一種基于公共向量的模糊鄰域保持嵌入(Fuzzy neighborhood preserving embedding based on common vector, FNPE/CV)算法。首先根據(jù)樣本的K近鄰的類別信息求出每個(gè)樣本對(duì)每個(gè)類別的隸屬度

3、,然后使用公共向量和隸屬度來(lái)重構(gòu)每個(gè)樣本,并最小化原始樣本與重構(gòu)樣本的殘差,最后將該問(wèn)題轉(zhuǎn)化為求解相應(yīng)的廣義特征值問(wèn)題以獲得最終的投影變換矩陣。該算法盡可能地減少了投影后同類樣本的差異性,較好地分離了異類樣本。在ORL、Yale、AR和PIEC29人臉數(shù)據(jù)庫(kù)上的相關(guān)實(shí)驗(yàn)驗(yàn)證了算法的有效性。
　　2)局部保持投影(Locality preserving projections, LPP)與NPE是兩種能較好地保持?jǐn)?shù)據(jù)局部幾何結(jié)構(gòu)的有

4、效算法,然而過(guò)度強(qiáng)調(diào)局部幾何特征往往會(huì)導(dǎo)致數(shù)據(jù)的全局幾何特征不能得到較好的保持。非監(jiān)督性是LPP與NPE的另一個(gè)重大缺陷,使得它們的分類識(shí)別效果并不理想。針對(duì)這些缺陷,提出一種基于相關(guān)系數(shù)的判別保持嵌入(Discriminant preserving embedding, DPE)算法,通過(guò)最小化類內(nèi)相似離散度以及最小化修正的類內(nèi)線性重構(gòu)殘差同時(shí)最大化類間線性重構(gòu)殘差來(lái)獲取算法的判別子空間,投影后的特征既能有效地保持?jǐn)?shù)據(jù)的局部幾何屬性,