基于多視圖流形鑒別學(xué)習(xí)的單樣本人臉識(shí)別方法研究.pdf

1、近年來，隨著國家大力發(fā)展互聯(lián)網(wǎng)和大數(shù)據(jù)技術(shù)，人臉識(shí)別在許多領(lǐng)域受到了人們的廣泛關(guān)注，包括智能安防、刑偵、互聯(lián)網(wǎng)支付等應(yīng)用。大部分人臉識(shí)別方法在訓(xùn)練樣本充足的情況下，能夠取得很好的識(shí)別效果。然而，在一些實(shí)際應(yīng)用場景中每個(gè)人只有單張人臉圖像可供訓(xùn)練，此時(shí)許多人臉識(shí)別方法的識(shí)別效果會(huì)直線下降，甚至失效。所以，單樣本人臉識(shí)別問題（SSFR）具有重要的研究意義和應(yīng)用價(jià)值。為了解決該問題，本文從多視圖流形鑒別學(xué)習(xí)的角度出發(fā)，提出了一系列有效的單樣本

2、人臉識(shí)別方法。
　　首先，本文提出了基于多流形鑒別學(xué)習(xí)的單樣本人臉識(shí)別方法（MMDL）。該方法的基本思路是，先從通用人臉樣本集中提取多種人臉圖像的變化特征，并疊加到訓(xùn)練樣本集的每個(gè)人臉圖像上，得到了帶有變化特征的擴(kuò)展人臉樣本；然后把每類擴(kuò)展人臉樣本分割成多個(gè)互不重疊的局部區(qū)域，并構(gòu)建為一個(gè)流形。這樣 SSFR問題就轉(zhuǎn)化成為一個(gè)多流形匹配問題。MMDL能夠?qū)W習(xí)多個(gè)鑒別特征投影矩陣，讓投影后不同類別之間的流形間隔最大化，同時(shí)相同類別流

3、形的差異最小化。
　　其次，為了充分挖掘人臉樣本中的多特征信息，本文提取了人臉圖像上多個(gè)視圖的特征，并提出了基于多視圖流形鑒別學(xué)習(xí)的單樣本人臉識(shí)別方法（MVMDL）。該方法的基本思路是，先用類似于MMDL中基于通用人臉樣本集的樣本擴(kuò)展方法得到擴(kuò)展樣本集；再用多個(gè)特征提取方法提取樣本中的多視圖特征，并把樣本切分成多個(gè)局部區(qū)域；然后MVMDL建立了多視圖流形鑒別學(xué)習(xí)模型，為每類人臉樣本在每個(gè)特征視圖下都學(xué)習(xí)一個(gè)鑒別投影矩陣。
　

4、　最后，為了改善前面兩種方法在樣本擴(kuò)展以及流形匹配中出現(xiàn)的不精確問題，本文又提出了基于協(xié)同表示和多流形學(xué)習(xí)的單樣本人臉識(shí)別方法（CR-MVMDL）。該方法的基本思路是，首先使用協(xié)同表示方法為每個(gè)訓(xùn)練樣本選擇其在通用人臉樣本集中的近似樣本，然后再從近似樣本集中進(jìn)行訓(xùn)練樣本的擴(kuò)展和流形匹配，這樣使得擴(kuò)展后的樣本和原始訓(xùn)練樣本更加相似，多流形鑒別學(xué)習(xí)中求得的投影矩陣的鑒別性也更好。
　　在AR、ORL、LFW等人臉圖像數(shù)據(jù)庫上的實(shí)驗(yàn)結(jié)果