基于改進稀疏子空間學習算法的人臉識別研究.pdf

1、人臉識別是模式識別及圖像處理領域的重要研究方向，具有重要的理論研究價值和廣闊的實際應用前景。目前人臉識別的研究熱點主要集中在特征提取和分類識別，本文主要研究人臉識別領域的特征提取部分。而在過去的幾十年間，特征提取的主流方法是子空間學習，各種傳統(tǒng)子空間學習方法的提出使得人臉識別技術取得了長足的發(fā)展。傳統(tǒng)子空間學習算法大致分為監(jiān)督子空間學習和無監(jiān)督子空間學習兩類，雖然各有所長但均存在一些需要解決的問題。近年來，基于稀疏表示的稀疏子空間學習已

2、經成為一個重要的研究熱點，得到了學者們的廣泛關注，而基于稀疏子空間學習方法的人臉識別也取得了很好的識別結果。但由于稀疏子空間學習方法本質上屬于無監(jiān)督子空間學習，存在無監(jiān)督子空間學習方法的問題，以及稀疏表示的全局特性導致的一些問題，其有效性亟待提高。
　　本研究主要內容包括：⑴針對傳統(tǒng)稀疏子空間學習方法的全局特性導致的問題，如樣本間的錯誤重構和誤學習等，本文提出了稀疏近鄰相關性重構方法，通過提取全部樣本間的局部結構信息和部分樣本的標

3、簽信息，使得對樣本的重構保留了更為準確的判別信息，解決了傳統(tǒng)稀疏子空間學習方法由于全局特性導致的問題，并基于稀疏近鄰相關性重構得到了稀疏近鄰保持投影（Sparsity Neighbouring Preserving Projections,SNPP）算法。⑵基于稀疏近鄰相關性重構的 SNPP算法雖然利用了少量標簽樣本的標簽信息，但無法像MMC等監(jiān)督子空間學習方法一樣充分提取標簽信息，所以其本質上還是屬于無監(jiān)督子空間學習方法，算法的有效性

4、不高。本文利用半監(jiān)督技術將SNPP和MMC進行結合，對SNPP算法進行半監(jiān)督拓展，得到半監(jiān)督的稀疏近鄰保持投影(Semi-supervised Sparsity Neighbouring Preserving Projections, SSNPP)算法。⑶在標準人臉庫Extended Yale B、ORL和AR中，對SNPP算法和SSNPP算法的性能進行檢驗，選擇最近鄰分類器對提取的特征進行分類，并與PCA、NPE、LPP、SPP算法的