嵌入鄰域判別關(guān)系的子空間人臉識(shí)別算法研究.pdf

1、基于生物特征識(shí)別的身份鑒別技術(shù)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(shí)別技術(shù)中，人臉識(shí)別是一項(xiàng)極具發(fā)展?jié)摿Φ纳锾卣髯R(shí)別技術(shù)，在信息安全、公共安全、金融等領(lǐng)域具有廣闊的應(yīng)用前景。人臉識(shí)別又是一個(gè)非?；钴S的研究領(lǐng)域，涉及計(jì)算機(jī)視覺(jué)、模式識(shí)別、圖像處理、機(jī)器學(xué)習(xí)和認(rèn)知科學(xué)等多門(mén)學(xué)科，人臉識(shí)別研究成果會(huì)促進(jìn)這些學(xué)科的發(fā)展。對(duì)人臉識(shí)別技術(shù)的研究具有巨大的應(yīng)用價(jià)值和重要的理論意義。 近二十年來(lái)，人臉識(shí)別取得了很大進(jìn)展，

2、但在實(shí)際應(yīng)用中仍然存在許多尚未解決的問(wèn)題。通常情況下，在觀測(cè)空間中獲得的人臉圖像數(shù)據(jù)是維數(shù)很高且是非結(jié)構(gòu)化的原始數(shù)據(jù)，這些數(shù)據(jù)不僅存在維數(shù)過(guò)大問(wèn)題，而且也不能清晰反映出檢測(cè)對(duì)象的內(nèi)在本質(zhì)，因此不宜直接在觀測(cè)空間中對(duì)數(shù)據(jù)進(jìn)行分類。這就需要對(duì)數(shù)據(jù)集進(jìn)行特征提取，通過(guò)科學(xué)提取反映對(duì)象本質(zhì)的特征數(shù)據(jù)，可在實(shí)現(xiàn)降維的同時(shí)保持?jǐn)?shù)據(jù)集原有的重要本質(zhì)結(jié)構(gòu)特性不變。將人臉識(shí)別分類工作，從原觀測(cè)空間轉(zhuǎn)換到特征子空間中進(jìn)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(jì)算，使識(shí)別處理更加有效。子空間方法是目前特征提取和識(shí)別的主流方法。 子空間方法能否有效取得預(yù)期的效果，關(guān)鍵在于特征的選取與構(gòu)造是否科學(xué)合理。實(shí)際中，許多被識(shí)別對(duì)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(guān)系時(shí)，可以認(rèn)為上述高維數(shù)據(jù)并不是無(wú)序的散布在整個(gè)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(jié)構(gòu)，且這種低維流形可能與人的認(rèn)知流形是一致的?；谏鲜鲈砗驼J(rèn)識(shí)，流形

4、學(xué)習(xí)原理近年頗受重視，并得到了很大發(fā)展。流形學(xué)習(xí)的目標(biāo)是從高維采樣數(shù)據(jù)中恢復(fù)低維流形結(jié)構(gòu)，即找到高維空間中的低維流形子空間，并求出相應(yīng)的嵌入映射，以實(shí)現(xiàn)數(shù)據(jù)降維。在流形學(xué)習(xí)數(shù)據(jù)降維映射中，最重要的是要正確地嵌入內(nèi)蘊(yùn)局部鄰域關(guān)系。 本文以流形學(xué)習(xí)方法為基礎(chǔ)，進(jìn)行了嵌入鄰域映射的子空間人臉識(shí)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(shí)別率，具體研究包括： 1.進(jìn)行了基于散度差判別鄰域嵌入的人臉識(shí)別算法的研

5、究在描述用于識(shí)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(shí)際復(fù)雜高維數(shù)據(jù)集時(shí)難免受到很大程度上的制約。流形學(xué)習(xí)理論試圖揭示數(shù)據(jù)集的內(nèi)蘊(yùn)結(jié)構(gòu)以獲得對(duì)問(wèn)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(xué)習(xí)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(jié)構(gòu)屬性，而沒(méi)有考慮類判別信息。本文在結(jié)合局部線性嵌入(LLE)和拉普拉斯特征映射(LE)兩種方法基礎(chǔ)上，提出了一種新的子空間學(xué)習(xí)方法，稱為散度差判別鄰域嵌入(SDDNE)。在該算法中，訓(xùn)練樣本數(shù)據(jù)的鄰域和類關(guān)系被有效結(jié)合用來(lái)構(gòu)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(jié)構(gòu)關(guān)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(wèn)題。實(shí)驗(yàn)表明該算法可以取得更好的識(shí)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(shí)別算法研究一種稱為局部Fisher判別嵌入(LFDE)監(jiān)督學(xué)習(xí)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(xué)習(xí)方法。由于線性的分類算法無(wú)法提取數(shù)據(jù)的非線性分布特征，因此無(wú)法獲得更高識(shí)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(lái)源支持向量機(jī)，

8、設(shè)法將輸入空間升維，以使在原始空間中的線性不可分問(wèn)題轉(zhuǎn)化為高維空間中線性可分(或接近線性可分)問(wèn)題；由于升維后只是改變了內(nèi)積運(yùn)算，并沒(méi)有使算法的復(fù)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(chǔ)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(diǎn)，且能有效地提取非線性特征。實(shí)驗(yàn)結(jié)果表明，該方法能有效簡(jiǎn)化人臉模式的復(fù)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(shí)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(dāng)處理人臉圖像二維矩陣型數(shù)據(jù)時(shí)，需要首先將矩陣按逐行或逐列展開(kāi)為向量，由于人臉圖像數(shù)據(jù)維數(shù)較高，遠(yuǎn)遠(yuǎn)大于樣本的個(gè)數(shù)，容易形成小樣本問(wèn)題，不利于算法的求解。另外，人臉圖像信息本來(lái)就是二維相關(guān)的，展開(kāi)為一維，破壞了空間結(jié)構(gòu)關(guān)系；直接在二維圖像矩陣上進(jìn)行子空間分析，原理上更為合