大類別及少量訓(xùn)練樣本的人臉識(shí)別問(wèn)題研究.pdf

1、人臉識(shí)別是當(dāng)前模式識(shí)別和圖像處理領(lǐng)域的研究熱點(diǎn)，屬于生物鑒別技術(shù)（Biometrics）的一部分。人臉識(shí)別～般分為人臉檢測(cè)、特征抽取和模式分類三個(gè)部分。人臉識(shí)別中常遇到的問(wèn)題是樣本維數(shù)高、類別數(shù)大以及每人只能提供少量的訓(xùn)練樣本。針對(duì)這些問(wèn)題該文進(jìn)行了研究。 在訓(xùn)練樣本較小時(shí)，向量形式的人臉識(shí)別是高維小樣本問(wèn)題，可以用奇異值分解定理減少計(jì)算量。可是由于人數(shù)眾多，人臉識(shí)別并不是小樣本問(wèn)題。在類別較大的情況下如何有效地抽取特征是人臉識(shí)

2、別的首要問(wèn)題。二維投影利用表示圖像的矩陣直接抽取特征，計(jì)算量主要與圖像的大小有關(guān)，能適用于大類別的人臉識(shí)別。針對(duì)二維投影抽取出的特征是矩陣，存在特征之間的冗余度大、特征數(shù)量多、不利于存儲(chǔ)和分類等弱點(diǎn)，該文通過(guò)兩種辦法進(jìn)一步降低二維投影抽取出的特征數(shù)量。一是利用兩次二維投影進(jìn)行雙向壓縮，在橫向壓縮后，對(duì)矩陣轉(zhuǎn)置后在縱向再壓縮一次；另一種是對(duì)二維投影后的樣本再作一次向量形式的特征抽取。還提出了一種基于類間散布矩陣的二維主分量分析方法，利用了

3、已知的類別信息，比用總體散布矩陣效果更好。 人臉識(shí)別所有算法的識(shí)別率一般都與每個(gè)人的訓(xùn)練樣本數(shù)正相關(guān)。但在實(shí)際應(yīng)用中，要求每人提供多幅圖像并不合理，常常每人只提供了一個(gè)訓(xùn)練樣本。該文通過(guò)對(duì)稱、平移、尺度和旋轉(zhuǎn)等變換增加虛擬圖像提高了識(shí)別率。通過(guò)對(duì)人臉圖像的左右兩邊施行不同的尺度變換，由正面人臉圖像可以生成出人臉旋轉(zhuǎn)一定角度的近似圖像，作為增加的訓(xùn)練樣本。在增加虛擬樣本后，解決了類內(nèi)散布矩陣為零的問(wèn)題，使得基于Fisher準(zhǔn)則的各

4、種方法對(duì)單訓(xùn)練樣本的人臉識(shí)別也可以使用。在FERET人臉庫(kù)和ORL人臉庫(kù)上的實(shí)驗(yàn)表明，通過(guò)增加虛擬圖像對(duì)提高識(shí)別率作用顯著。 人臉識(shí)別中類別數(shù)特別多，要想用一種特征一次性把所有類別都分開(kāi)是不現(xiàn)實(shí)的。該文提出了一種樹(shù)型結(jié)構(gòu)的多級(jí)分類的方法。使用快速的二維投影方法，在大范圍內(nèi)找出每一個(gè)待識(shí)樣本的若干候選類別，再分別對(duì)待識(shí)樣本在其相應(yīng)的候選類別內(nèi)進(jìn)行特征抽取和識(shí)別，減小了匹配范圍提高了識(shí)別率。在FERET、人臉庫(kù)上的實(shí)驗(yàn)表明，經(jīng)篩選后

5、在候選類別中識(shí)別的正確率有12％以上的提高。該文提出了用均值和方差對(duì)圖像進(jìn)行光照標(biāo)準(zhǔn)化的方法。 不同方法抽取的特征反映了模式對(duì)象在不同標(biāo)準(zhǔn)下的樣本的本質(zhì)和分類能力。在一種特征空間很難區(qū)分出來(lái)的樣本，可能在另一特征空間里可以很容易地分開(kāi)。因此，將不同方法抽取的特征有機(jī)地結(jié)合在一起，就可能得到更好的分類性能。經(jīng) 研究發(fā)現(xiàn)，用一維投影方法與二維投影方法抽取的人臉特征之間存在互補(bǔ)性。該文用復(fù)向量并行地將兩組特征融合在一起進(jìn)行人臉