基于流形學(xué)習(xí)的特征提取與人臉識(shí)別研究.pdf

1、人臉識(shí)別是生物特征識(shí)別領(lǐng)域的一個(gè)活躍方向，主要任務(wù)是根據(jù)人臉圖像中的有效鑒別信息進(jìn)行個(gè)體的身份識(shí)別。在人臉圖像識(shí)別過(guò)程中，由于原始的圖像樣本數(shù)目較少且維數(shù)較高，如何提取關(guān)鍵特征進(jìn)行維數(shù)約簡(jiǎn)與識(shí)別一直是該領(lǐng)域研究的一個(gè)難點(diǎn)問(wèn)題。
　　流形學(xué)習(xí)是當(dāng)前模式識(shí)別與計(jì)算機(jī)視覺(jué)領(lǐng)域的一個(gè)研究熱點(diǎn)，其主要目標(biāo)是發(fā)現(xiàn)高維空間數(shù)據(jù)的低維光滑流形，并求出相應(yīng)的嵌入映射，以實(shí)現(xiàn)維數(shù)約簡(jiǎn)或者數(shù)據(jù)可視化。盡管基于流形學(xué)習(xí)的特征提取算法已被廣泛應(yīng)用于人臉識(shí)別

2、問(wèn)題，并且取得了良好的性能，但仍存在參數(shù)選擇、噪聲敏感、判別力不足等問(wèn)題。本文針對(duì)這些問(wèn)題進(jìn)行了深入分析，并提出了幾種新的特征提取方法，主要工作及創(chuàng)新點(diǎn)如下:
　　(1)針對(duì)幾種典型的局部保持策略存在的判別力不足等問(wèn)題，提出了局部最大間距鑒別嵌入(LMMDE)特征提取方法。LMMDE在保持樣本局部結(jié)構(gòu)的同時(shí)，考慮位于同一流形上不同類(lèi)樣本的差異性，有效解決了因近鄰關(guān)系扭曲而引起的不同類(lèi)樣本相互重疊的問(wèn)題。另外，LMMDE基于最大間距

3、準(zhǔn)則定義目標(biāo)函數(shù)，成功避免了“小樣本”問(wèn)題。
　　(2)在線性鑒別分析(LDA)算法與鑒別局部保持投影(DLPP)算法的基礎(chǔ)上分別提出了最小距離鑒別投影(MDP)算法與鑒別局部中值保持投影(DLMPP)算法。
　　LDA是一種基于樣本全局結(jié)構(gòu)的算法，無(wú)法刻畫(huà)樣本間的近鄰關(guān)系。針對(duì)此問(wèn)題，MDP通過(guò)在LDA目標(biāo)函數(shù)中引入樣本的類(lèi)內(nèi)與類(lèi)間相似度刻畫(huà)樣本的近鄰關(guān)系:類(lèi)內(nèi)相似度能夠度量樣本與類(lèi)內(nèi)中心的距離關(guān)系，而類(lèi)間相似度不僅能夠反

4、映樣本與類(lèi)間中心的距離關(guān)系而且能夠反映樣本類(lèi)間距與類(lèi)內(nèi)距的大小關(guān)系。
　　針對(duì)DLPP無(wú)法充分利用圖像信息及相似性度量問(wèn)題，DLMPP利用各類(lèi)樣本計(jì)算出每類(lèi)樣本的類(lèi)中值，有效地保留了圖像信息，同時(shí)設(shè)計(jì)了一種不同的相似性度量機(jī)制，以易于保持受噪聲影響較小的類(lèi)內(nèi)樣本之間的鄰域關(guān)系，從而進(jìn)一步加強(qiáng)識(shí)別效果的魯棒性。
　　(3)針對(duì)大多數(shù)流形學(xué)習(xí)算法構(gòu)圖時(shí)面臨的參數(shù)選擇問(wèn)題，提出了一種無(wú)參數(shù)的構(gòu)圖策略。該策略能夠自適應(yīng)地獲取樣本的近

5、鄰點(diǎn)并利用余弦距離配置相應(yīng)的邊權(quán)，在整個(gè)圖構(gòu)造過(guò)程不依賴任何參數(shù)，使得整個(gè)圖學(xué)習(xí)過(guò)程相較于傳統(tǒng)的k-近鄰圖更加高效、簡(jiǎn)潔。結(jié)合該策略與局部保持投影(LPP)算法，提出了一種無(wú)參數(shù)的局部保持投影(PLPP)算法。另外，考慮到樣本的類(lèi)別信息在分類(lèi)工作中的促進(jìn)作用，通過(guò)在PLPP的目標(biāo)函數(shù)中引入樣本的類(lèi)別標(biāo)簽，提出了監(jiān)督的PLPP(SPLPP)算法。
　　(4)針對(duì)邊界Fisher分析(MFA)算法在構(gòu)造內(nèi)蘊(yùn)圖與懲罰圖時(shí)面臨的近鄰參數(shù)選