人臉識(shí)別中特征抽取方法的研究.pdf

1、人臉識(shí)別是目前模式識(shí)別和機(jī)器視覺等研究領(lǐng)域的熱點(diǎn)問題，已經(jīng)被廣泛的應(yīng)用于公安、驗(yàn)證系統(tǒng)和視頻會(huì)議等方面。識(shí)別算法首先從訓(xùn)練樣本中提取特征，得到特征空間，然后在測(cè)試階段將測(cè)試樣本的特征通過分類器與訓(xùn)練樣本的特征相匹配，最終輸出識(shí)別結(jié)果。因此，分類器設(shè)計(jì)和特征抽取是人臉識(shí)別中的最關(guān)鍵問題。特征抽取的本質(zhì)就是把原始的高維數(shù)據(jù)投影到一個(gè)更有利于分類的低維特征空間中，過去幾十年，很多學(xué)者提出了許許多多相關(guān)的算法。但是這些算法仍然存在諸多不足，而且

2、人臉圖像很容易受外界干擾，因此如何有效提高識(shí)別率，更加充分的利用圖像信息是目前主要探討的問題。本文在深入研究一些傳統(tǒng)的基于子空間方法的基礎(chǔ)上提出了一些改進(jìn)，主要涉及到尺度度量和(l)2范數(shù)這兩個(gè)概念，最終在多個(gè)人臉數(shù)據(jù)庫(kù)上驗(yàn)證了這些改進(jìn)算法的有效性。
　　 全文主要工作概括如下:
　　 1、自適應(yīng)監(jiān)督鑒別投影分析(AdaptiveSupervisedDiscriminantProjection)
　　 針對(duì)無監(jiān)督

3、鑒別投影的缺點(diǎn)，本章提出了一種自適應(yīng)監(jiān)督鑒別投影分析算法。該算法它將動(dòng)態(tài)反饋策略集成到散布矩陣的構(gòu)造過程中，同時(shí)充分利用了訓(xùn)練樣本的類別信息。在AR庫(kù)和FERET庫(kù)上的實(shí)驗(yàn)結(jié)果表明本文的方法較UDP等傳統(tǒng)的特征抽取識(shí)別性能更高。
　　 2、相似度保持投影(SimilarityPreservingProjection)
　　 由主成分分析(PCA)可知任何一幅人臉圖像都可以通過一組特征臉的線性加權(quán)來重構(gòu)，PCA是最小均方誤

4、差意義下圖像的最優(yōu)表示，但是傳統(tǒng)的PCA最終只通過比較加權(quán)系數(shù)的歐式距離來進(jìn)行識(shí)別，沒有考慮殘差。因此，我們提出了相似尺度的概念，將兩個(gè)樣本同時(shí)投影到相同向量上，在確定它們關(guān)系時(shí)既考慮投影系數(shù)，也考慮重構(gòu)所產(chǎn)生的殘差。兩者的投影系數(shù)和殘差均相差越大，說明這兩個(gè)樣本越不相似，反之越相似。和保局投影(LPP)有所不同，本章相似度保持投影算法不必預(yù)先設(shè)定近鄰個(gè)數(shù)，它是利用相似度的概念，創(chuàng)建相似度散布矩陣，最終通過最大化目標(biāo)函數(shù)獲取最優(yōu)子空間。

5、在AR庫(kù)和FERET庫(kù)上的實(shí)驗(yàn)證明了該方法的有效性。
　　 3、基于匹配追蹤的相似度人臉識(shí)別算法(AMatchingPursuitBasedSimilarityMeasureforFaceRecognition)
　　 匹配追蹤算法作為稀疏分解的一種能夠很好的發(fā)掘樣本內(nèi)部重要的語(yǔ)義信息，并且具有簡(jiǎn)潔、靈活等特點(diǎn)，本章將它用來選擇近鄰。利用訓(xùn)練樣本構(gòu)建冗余字典，找出與之最相關(guān)的其他樣本作為該樣本的近鄰樣本，然后根據(jù)相似尺度

6、的概念，同時(shí)考慮匹配追蹤算法所產(chǎn)生的一定序列原子集，投影系數(shù)和殘差，把它作為近鄰權(quán)值，最終最小化目標(biāo)函數(shù)獲取最優(yōu)子空間。與其他特征抽取方法相比，該方法魯棒性更強(qiáng)，識(shí)別效果更好，在AR庫(kù)和FERET庫(kù)上的實(shí)驗(yàn)驗(yàn)證了本方法的實(shí)用性。
　　 4、基于(l)2范數(shù)的局部重構(gòu)誤差鑒別投影(LocalReconstructionErrorof(l)2normforDiscriminantFeatureExtraction)
　　 特

7、征抽取和發(fā)掘魯棒的、鑒別性強(qiáng)的結(jié)構(gòu)是人臉識(shí)別中兩個(gè)最重要的問題。由于QinfengShi等人證明對(duì)于人臉識(shí)別問題，(l)2范數(shù)法是迄今為止準(zhǔn)確率最高，識(shí)別速度最快，魯棒性最強(qiáng)的方法。因此，我們提出了一個(gè)新的特征抽取方法，通過將局部鑒別能力和(l)2范數(shù)法相結(jié)合。首先通過(l)2范數(shù)法計(jì)算局部重構(gòu)權(quán)值，最終找到一個(gè)低維空間，使得同類樣本的局部重構(gòu)誤差盡可能小，同時(shí)不同類樣本的局部重構(gòu)誤差盡可能大。這就保證了該方法的性能和魯棒性，AR和OR

8、L人臉庫(kù)的實(shí)驗(yàn)證明該方法是最好的。
　　 5、局部重構(gòu)誤差與尺度度量在人臉識(shí)別中的應(yīng)用(LocalReconstructionErrorandMeasureMetricusedinFaceRecognition)
　　 對(duì)于兩個(gè)樣本，考慮將它們同時(shí)投影到一組投影軸上，二者關(guān)系由投影系數(shù)和重構(gòu)誤差同時(shí)決定，這是一種新的度量方法，創(chuàng)建了類內(nèi)關(guān)系權(quán)值矩陣和類間關(guān)系權(quán)值矩陣;用(l)2范數(shù)來計(jì)算表示系數(shù)，創(chuàng)建類內(nèi)局部重構(gòu)誤差和類