基于魯棒子空間學習的人臉識別技術.pdf

1、人臉識別技術是生物特征識別領域甚至人工智能領域最重要的研究課題之一，該技術已廣泛應用于金融、公安、社會福利保障、電子商務、安全防務等多個領域。在整個人臉識別過程中，人臉圖像特征提取占據(jù)最重要位置。有效的特征提取方法能夠提取出主要且具有代表性的人臉特征，使用這些特征將人臉數(shù)據(jù)歸類為對應的模式類別，既簡化了分類器設計，同時大大提升了人臉識別的準確率。作為人臉識別技術的一類主流方法，子空間因其描述性強、識別率高、計算代價小等良好的性能，得到越

2、來越多的關注以及廣泛的應用。低秩表示作為一種低秩子空間分割的方法，其在更好挖掘人臉數(shù)據(jù)內(nèi)部的結構方面，得到了廣泛的關注以及長足的進步。它致力求解出一個對角塊狀矩陣，矩陣中每一個塊關聯(lián)一個樣本類別。同時，算法引入一個殘差項，能夠更好地處理復雜情況下的數(shù)據(jù)，使得算法對于噪聲有更好的魯棒性。近年來，一些將低秩表示與子空間學習方法相結合的算法相繼被提出，這些算法能充分利用低秩表示和子空間學習的優(yōu)勢，使新的算法有著更好的魯棒性，在識別率上有著顯著

3、的提高。本文主要就以下幾點展開研究：
　?。?）全面介紹和分析三種重要的子空間分析方法。子空間分析方法主要由線性子空間方法和非線性子空間方法組成，此部分主要分析兩種線性的子空間算法：主成分分析法（PCA）、線性判別分析法（LDA），以及非線性方法的線性近似算法：局部保持投影法（LPP）。
　　（2）在經(jīng)典子空間分析方法的基礎上，進一步介紹低秩表示方法。低秩表示是一種子空間分割方法，不同于稀疏表示著眼于獨立子空間內(nèi)樣本的最稀疏

4、的表示，低秩表示尋求的是來自不同子空間所有樣本作為向量組的最低秩的表示。通過觀察此部分的實驗結果，可以發(fā)現(xiàn)低秩表示對噪聲有著更好的魯棒性。
　?。?）研究當前主要的結合了低秩表示與子空間的算法，并在多個人臉數(shù)據(jù)庫上進行實驗分析，論證低秩和子空間結合能夠更好地挖掘人臉數(shù)據(jù)的全局結構以及處理高維人臉的情況，能達到顯著提高人臉識別準確率的效果。
　　（4）在分析了低秩子空間結合算法優(yōu)勢的基礎上，提出了基于低秩的度量學習算法。將該算