分塊與二級(jí)人臉識(shí)別算法研究.pdf

1、人臉識(shí)別作為一門綜合性非常強(qiáng)的學(xué)科，其涉及到模式識(shí)別、圖像處理、人工智能等諸多的其他學(xué)科領(lǐng)域。迄今為止人臉識(shí)別領(lǐng)域的專家學(xué)者們提出了很多的人臉識(shí)別算法，但是算法在目前的研究趨勢(shì)上來(lái)看越來(lái)越復(fù)雜并且運(yùn)行所需的代價(jià)也越來(lái)越大，導(dǎo)致在實(shí)際的應(yīng)用環(huán)境里，人臉識(shí)別算法執(zhí)行起來(lái)所需要的條件往往也很高。本文立足于基礎(chǔ)算法，通過(guò)分塊及二級(jí)的思路來(lái)拓展基礎(chǔ)算法并對(duì)其進(jìn)行改進(jìn)以提高識(shí)別率。本文的主要研究工作和成果如下:
　　(1)分塊二維局部保持鑒別

2、分析算法
　　原始二維局部保持鑒別分析算法在樣本圖像受到光照陰影、遮擋等影響時(shí)，算法的識(shí)別率受到很大影響。為此將分塊的思路引入到二維局部保持鑒別分析中來(lái)以解決該問(wèn)題，通過(guò)分塊將相同位置的塊構(gòu)建成一個(gè)子樣本集，之后在該子樣本集上做二維局部保持鑒別以獲得各塊的投影矩陣，并在最后階段將待測(cè)樣本各塊分別在各塊所對(duì)應(yīng)的投影矩陣上投影得到各塊各自的特征矩陣，接下來(lái)將各塊的特征矩陣整合成一個(gè)整體的待測(cè)樣本特征矩陣并基于此做分類，實(shí)驗(yàn)驗(yàn)證了該算法

3、的有效性。
　　(2)基于分塊二維局部保持鑒別分析的二級(jí)人臉識(shí)別方法
　　該算法是對(duì)上一算法問(wèn)題的延續(xù)。首先通過(guò)對(duì)訓(xùn)練樣本進(jìn)行分塊并將樣本相同位置的塊構(gòu)建為新的樣本子集，然后在該子集上進(jìn)行二維局部保持鑒別分析以獲取各塊的投影矩陣。之后對(duì)測(cè)試樣本各塊進(jìn)行投影以獲取各塊的特征矩陣，但是在分類識(shí)別的過(guò)程中，我們不再對(duì)子塊的特征矩陣進(jìn)行整合作為總體特征矩陣來(lái)進(jìn)行分類，而是將測(cè)試樣本的各個(gè)子塊在特征空間的投影僅在訓(xùn)練樣本相同位置塊在特

4、征空間投影所構(gòu)成的子集上進(jìn)行分類。于是我們會(huì)得到一組結(jié)果，我們發(fā)現(xiàn)這樣的過(guò)程對(duì)于待測(cè)樣本范圍的鎖定非常有效。因此我們將之作為算法的第一個(gè)階段，之后引入第二個(gè)階段來(lái)進(jìn)一步對(duì)測(cè)試樣本進(jìn)行識(shí)別，且該識(shí)別僅在第一階段所鎖定的范圍內(nèi)進(jìn)行，并在該階段得出最終的識(shí)別結(jié)果。
　　(3)基于分塊主成分分析的二級(jí)人臉識(shí)別方法
　　通過(guò)對(duì)分塊算法的研究，我們發(fā)現(xiàn)分塊的方法對(duì)于樣本的局部特征的提取是有效的。分塊主成分分析算法在提取主成分后，對(duì)測(cè)試樣

5、本各塊做投影，之后將各塊的特征向量又整合在一起做作為整體用于最終的識(shí)別。該整體識(shí)別雖然在一定程度上彌補(bǔ)了分塊主成分分析算法在提取局部特征的同時(shí)對(duì)于整體特征帶來(lái)的損失，但是同時(shí)也會(huì)損失其提取的局部特征所提供的有效信息。因此我們采用另一種思路來(lái)拓展此方法以試圖提高算法的識(shí)別率。在新方法中，我們獲取了測(cè)試樣本各塊的特征向量后，不再對(duì)測(cè)試樣本進(jìn)行整體的識(shí)別，而是測(cè)試樣本的各塊僅在其所對(duì)應(yīng)的所有訓(xùn)練樣本相同位置的塊組成新的樣本集中進(jìn)行。因此對(duì)于測(cè)

6、試樣本的每一塊我們會(huì)得到一個(gè)識(shí)別的結(jié)果。在實(shí)驗(yàn)中我們發(fā)現(xiàn)，該結(jié)果高于分塊主成分分析方法的結(jié)果，可以在一定地程度上說(shuō)，其很好地利用了分塊方法所提取的局部特征。但是其只是鎖定了范圍并沒(méi)有給出最終的結(jié)論，于是我們?cè)诖嘶A(chǔ)上引入二級(jí)的過(guò)程對(duì)測(cè)試樣本進(jìn)行分類，算法的第二級(jí)過(guò)程不再提取任何特征，而直接在整體的原始樣本上進(jìn)行操作，并最終給出分類結(jié)果。
　　(4)基于近鄰加權(quán)協(xié)同表示的二級(jí)重構(gòu)人臉識(shí)別方法
　　在該算法中，我們將近鄰及重構(gòu)引

7、入到加權(quán)協(xié)同表示中，首先提取出待測(cè)樣本在每類樣本中的近鄰樣本并構(gòu)建出一個(gè)新的近鄰訓(xùn)練樣本集，在該樣本集基礎(chǔ)上進(jìn)行加權(quán)協(xié)同表示分類，并由所獲取的系數(shù)重構(gòu)待測(cè)樣本，得到一個(gè)由重構(gòu)樣本所組成的訓(xùn)練樣本集合，之后在該重構(gòu)的集合上再進(jìn)行加權(quán)協(xié)同表示分類，并由此獲取系數(shù)進(jìn)行二次重構(gòu)。算法在二級(jí)重構(gòu)中設(shè)計(jì)了兩套方案，在二級(jí)過(guò)程中方案一使用所有重構(gòu)樣本對(duì)測(cè)試樣本進(jìn)行加權(quán)協(xié)同表示，而方案二僅選擇與測(cè)試樣本近鄰的重構(gòu)樣本對(duì)測(cè)試樣本進(jìn)行二次加權(quán)協(xié)同表示。算法