人臉特征抽取及分類器設(shè)計(jì)研究.pdf

1、人臉識(shí)別技術(shù)是模式識(shí)別和機(jī)器學(xué)習(xí)領(lǐng)域中的重要研究課題，一直為國(guó)際機(jī)器學(xué)習(xí)界所廣泛關(guān)注。近年來(lái)，隨著自動(dòng)人臉識(shí)別系統(tǒng)在商業(yè)和安全等領(lǐng)域的廣泛應(yīng)用，人臉識(shí)別技術(shù)逐漸為人們所熟知。其主要研究問(wèn)題可描述為：對(duì)于給定場(chǎng)景的靜止或視頻圖像，如何利用已存儲(chǔ)的人臉數(shù)據(jù)庫(kù)確認(rèn)場(chǎng)景中一個(gè)或多個(gè)人。特征抽取和分類器設(shè)計(jì)是人臉識(shí)別技術(shù)中的兩個(gè)重要組成部分。如何提取更加有用的人臉特征及設(shè)計(jì)性能優(yōu)良的分類器一直是人臉識(shí)別技術(shù)所追求的目標(biāo)。本文對(duì)這兩個(gè)方面問(wèn)題深入的

2、進(jìn)行了研究和探討，所提出的特征抽取方法和分類器算法在人臉識(shí)別方面得到了較成功的應(yīng)用。
　　 主要研究工作和成果如下：
　　 1.針對(duì)線性鑒別分析(Linear Discriminant Analysis，LDA)對(duì)樣本點(diǎn)局部結(jié)構(gòu)特性欠考慮問(wèn)題，提出一種改進(jìn)的學(xué)習(xí)算法。該算法將流形學(xué)習(xí)算法的局部思想融入Fisher鑒別準(zhǔn)則，從而在保持樣本間局部結(jié)構(gòu)特性的同時(shí)，提取出最佳的人臉鑒別特征。具體來(lái)講，該算法首先利用樣本間的近鄰關(guān)

3、系和類別標(biāo)簽信息將所有樣本點(diǎn)分屬于多個(gè)近鄰類和非近鄰類；然后，引入局部均值的思想，對(duì)每個(gè)樣本點(diǎn)所對(duì)應(yīng)的近鄰類和非近鄰類，定義其類內(nèi)散布和類間散布；最后，通過(guò)最大化總體類間散布與總體類內(nèi)散布之比，使得同一個(gè)類別且互相鄰近的樣本點(diǎn)在投影空間中盡可能的靠近，而相互鄰近的類彼此遠(yuǎn)離。ORL和FERET標(biāo)準(zhǔn)人臉庫(kù)上的實(shí)驗(yàn)結(jié)果證實(shí)了所提出算法的有效性。
　　 2.結(jié)合半監(jiān)督分類算法和流形學(xué)習(xí)算法，提出一種新的半監(jiān)督降維算法。該算法首先利用自

4、訓(xùn)練分類算法，在少量的有標(biāo)記樣本點(diǎn)的指導(dǎo)下，確定大量存在的無(wú)標(biāo)記樣本點(diǎn)的類別標(biāo)簽，從而實(shí)現(xiàn)了樣本間聚類的目的；隨后，流形學(xué)習(xí)算法被用來(lái)對(duì)樣本數(shù)據(jù)進(jìn)行降維，以便在保持樣本局部結(jié)構(gòu)特性的同時(shí)，更好的抽取出樣本的鑒別特征。具體來(lái)講，該算法首先通過(guò)自訓(xùn)練學(xué)習(xí)來(lái)對(duì)未標(biāo)記樣本點(diǎn)進(jìn)行標(biāo)記，并在每次迭代前借助切邊權(quán)重統(tǒng)計(jì)(cut edge weight statistic)方法來(lái)對(duì)自標(biāo)記(self-labeled)樣本集進(jìn)行修正，從而將錯(cuò)分類的未標(biāo)記樣

5、本點(diǎn)移除以減少噪聲的影響；然后，對(duì)自訓(xùn)練學(xué)習(xí)所得的訓(xùn)練樣本集采用流形學(xué)習(xí)算法進(jìn)行維數(shù)約簡(jiǎn)：即根據(jù)所確定的未標(biāo)記樣本點(diǎn)的類別標(biāo)簽以及樣本間的相似度，對(duì)各個(gè)樣本點(diǎn)所構(gòu)成的近鄰圖的邊賦予不同的權(quán)重，從而使得“同一類別(包括未標(biāo)記樣本點(diǎn))”鄰近的樣本點(diǎn)盡可能靠近，而“不同類別(包括未標(biāo)記樣本點(diǎn))”鄰近的樣本點(diǎn)盡可能遠(yuǎn)離。ORL和AR標(biāo)準(zhǔn)人臉庫(kù)上的實(shí)驗(yàn)結(jié)果驗(yàn)證了所提出算法的有效性。
　　 3.提出一種快速的基于稀疏表示的分類器算法。該算法

6、主要針對(duì)基于稀疏表示的分類器(SRC)在計(jì)算復(fù)雜度上的問(wèn)題，引入了鄰近類的思想，從而節(jié)省了非鄰近類樣本點(diǎn)用于計(jì)算測(cè)試樣本點(diǎn)稀疏表示的時(shí)間，達(dá)到縮減算法計(jì)算復(fù)雜度的目的。具體來(lái)說(shuō)，對(duì)于每個(gè)測(cè)試樣本點(diǎn)，該算法首先求出其可能歸屬的類別；而后，利用該測(cè)試樣點(diǎn)可能歸屬類的樣本數(shù)據(jù)而并非所有的訓(xùn)練樣本來(lái)對(duì)其進(jìn)行稀疏表示計(jì)算。ORL和FERET標(biāo)準(zhǔn)人臉庫(kù)上的實(shí)驗(yàn)結(jié)果表明改進(jìn)算法不僅能較大程度的縮減算法的計(jì)算復(fù)雜度，而且排除了干擾類的影響，從而在某種程