嵌入鄰域判別關系的子空間人臉識別算法研究.pdf

1、基于生物特征識別的身份鑒別技術提供了一種高可靠性、高穩(wěn)定性的身份鑒別方式。在各種生物特征識別技術中，人臉識別是一項極具發(fā)展?jié)摿Φ纳锾卣髯R別技術，在信息安全、公共安全、金融等領域具有廣闊的應用前景。人臉識別又是一個非?；钴S的研究領域，涉及計算機視覺、模式識別、圖像處理、機器學習和認知科學等多門學科，人臉識別研究成果會促進這些學科的發(fā)展。對人臉識別技術的研究具有巨大的應用價值和重要的理論意義。 近二十年來，人臉識別取得了很大進展，

2、但在實際應用中仍然存在許多尚未解決的問題。通常情況下，在觀測空間中獲得的人臉圖像數(shù)據(jù)是維數(shù)很高且是非結構化的原始數(shù)據(jù)，這些數(shù)據(jù)不僅存在維數(shù)過大問題，而且也不能清晰反映出檢測對象的內(nèi)在本質(zhì)，因此不宜直接在觀測空間中對數(shù)據(jù)進行分類。這就需要對數(shù)據(jù)集進行特征提取，通過科學提取反映對象本質(zhì)的特征數(shù)據(jù)，可在實現(xiàn)降維的同時保持數(shù)據(jù)集原有的重要本質(zhì)結構特性不變。將人臉識別分類工作，從原觀測空間轉換到特征子空間中進行，合理的降維既能排除眾多噪音的干擾，

3、又可加速處理計算，使識別處理更加有效。子空間方法是目前特征提取和識別的主流方法。 子空間方法能否有效取得預期的效果，關鍵在于特征的選取與構造是否科學合理。實際中，許多被識別對象的超高維數(shù)據(jù)變異僅是由于有限數(shù)目條件變化引起，在分析其變異關系時，可以認為上述高維數(shù)據(jù)并不是無序的散布在整個高維空間，而是集中在空間內(nèi)部某種低維流形上。這種流形反映了上述高維數(shù)據(jù)的內(nèi)在結構，且這種低維流形可能與人的認知流形是一致的。基于上述原理和認識，流形

4、學習原理近年頗受重視，并得到了很大發(fā)展。流形學習的目標是從高維采樣數(shù)據(jù)中恢復低維流形結構，即找到高維空間中的低維流形子空間，并求出相應的嵌入映射，以實現(xiàn)數(shù)據(jù)降維。在流形學習數(shù)據(jù)降維映射中，最重要的是要正確地嵌入內(nèi)蘊局部鄰域關系。 本文以流形學習方法為基礎，進行了嵌入鄰域映射的子空間人臉識別算法研究。在鄰域映射中引入類判別信息，從而提高了子空間算法的識別率，具體研究包括： 1.進行了基于散度差判別鄰域嵌入的人臉識別算法的研

5、究在描述用于識別的人臉特征方面，以往主流的方法為PCA、LDA等子空間方法，這些方法在較為理想的條件下取得了重要的研究成果。但是，這些方法更多的是考慮數(shù)據(jù)集的全局線性特性，在處理實際復雜高維數(shù)據(jù)集時難免受到很大程度上的制約。流形學習理論試圖揭示數(shù)據(jù)集的內(nèi)蘊結構以獲得對問題的本質(zhì)研究。局部保持投影(LPP)和鄰域保持投影(NPP)分別是流形學習方法拉普拉斯特征映射(Laplacian Eigenmap)和局部線性嵌入(LLE)的線性近似。

6、這兩種方法都具有保持局部結構屬性，而沒有考慮類判別信息。本文在結合局部線性嵌入(LLE)和拉普拉斯特征映射(LE)兩種方法基礎上，提出了一種新的子空間學習方法，稱為散度差判別鄰域嵌入(SDDNE)。在該算法中，訓練樣本數(shù)據(jù)的鄰域和類關系被有效結合用來構建低維嵌入流形。在嵌入低維子空間后，同類樣本保持它們固有的近鄰幾何結構關系，而不同類樣本則彼此分離。另外，該算法還避免了小樣本問題。實驗表明該算法可以取得更好的識別率。 2.提出

7、一種基于非線性正交化核局部Fisher判別嵌入人臉識別算法研究一種稱為局部Fisher判別嵌入(LFDE)監(jiān)督學習方法。由于該方法求取的鑒別矢量不是正交的，這就使得鑒別矢量張成的空間與原空間存在尺度上的變化，由此提出了正交局部Fisher判別嵌入(OLFDE)方法。但是它本質(zhì)還是線性學習方法。由于線性的分類算法無法提取數(shù)據(jù)的非線性分布特征，因此無法獲得更高識別率。核映射是一種廣泛使用的非線性映射方法。非線性核映射理論思想來源支持向量機，

8、設法將輸入空間升維，以使在原始空間中的線性不可分問題轉化為高維空間中線性可分(或接近線性可分)問題；由于升維后只是改變了內(nèi)積運算，并沒有使算法的復雜度隨著維數(shù)的增加而增加。這里，在正交局部Fisher判別嵌入算法基礎上，巧妙的引入核映射，提出了基于正交核局部Fisher判別嵌入算法(OKLFDE)。該算法繼承了正交局部Fisher判別嵌入方法的優(yōu)點，且能有效地提取非線性特征。實驗結果表明，該方法能有效簡化人臉模式的復雜分布，且能較大幅度

9、的提高分類效果。 3.提出了一種基于圖像矩陣判別局部保持投影人臉識別算法局部保持投影(LPP)算法同傳統(tǒng)子空間方法(如LDA)一樣，只能處理一維向量型的數(shù)據(jù)，當處理人臉圖像二維矩陣型數(shù)據(jù)時，需要首先將矩陣按逐行或逐列展開為向量，由于人臉圖像數(shù)據(jù)維數(shù)較高，遠遠大于樣本的個數(shù)，容易形成小樣本問題，不利于算法的求解。另外，人臉圖像信息本來就是二維相關的，展開為一維，破壞了空間結構關系；直接在二維圖像矩陣上進行子空間分析，原理上更為合