基于稀疏表示和子空間的人臉識別方法研究.pdf

1、如何從人臉圖像中有效地提取特征并通過分類決策對目標(biāo)進(jìn)行識別是人臉識別研究的關(guān)鍵所在。本文以人臉特征提取和分類決策為研究目標(biāo)，重點(diǎn)研究了人臉識別領(lǐng)域的主流方法——子空問方法和近年來的熱點(diǎn)方向——稀疏表示技術(shù)，提出了幾種高效的人臉特征提取和分類決策算法。本文的主要貢獻(xiàn)及創(chuàng)新如下：
　　 1)在保局投影(LocalityPreservingProjections，LPP)算法中，數(shù)據(jù)間虛假的近鄰關(guān)系會在投影到子空間后依舊得到保持，同時(shí)

2、，以局部合并的方式來重建數(shù)據(jù)集間的整體內(nèi)在規(guī)律無法較好的體現(xiàn)不同類數(shù)據(jù)問的分布差異。針對這些問題，提出了一種最大間隔和鑒別保局投影(MaximizingMarginandDiscriminantLocalityPreservingProjections，MMDLPP)算法。該方法能很好的發(fā)現(xiàn)和重建數(shù)據(jù)集的局部真實(shí)內(nèi)蘊(yùn)幾何結(jié)構(gòu)以及整體分布特性，通過保持?jǐn)?shù)據(jù)集合的真實(shí)近鄰結(jié)構(gòu)，分離數(shù)據(jù)樣本的虛假近鄰，并擴(kuò)大不同類數(shù)據(jù)樣本間的類間問距，表現(xiàn)出

3、了較好的鑒別特性。
　　 2)稀疏保持投影(SparsityPreservingProjection，SPP)算法在構(gòu)造數(shù)據(jù)樣本間的稀疏權(quán)重時(shí)并沒有很好的體現(xiàn)數(shù)據(jù)間的鑒別信息。針對這一問題，結(jié)合人臉在流形上的局部線性分布特性，提出了一種鑒別稀疏保持嵌入(DiscriminantSparsityPreservingEmbedding，DSPE)算法，在重建局部幾何性質(zhì)的同時(shí)保持?jǐn)?shù)據(jù)的稀疏表示特性，并獲得低維上的全局最優(yōu)嵌入。該方法

4、是一個(gè)線性的監(jiān)督算法，能夠有效地提取特征，具有較高的魯棒性。
　　 3)在人臉識別中，最近鄰子空間(NearestSubspace，NS)分類器和稀疏表示分類器(SparseRepresentationbasedClassification，SRC)具有較好的識別性能。然而，作為基于數(shù)據(jù)樣本重構(gòu)的分類器，它們在識別目標(biāo)時(shí)都不可避免地要對一個(gè)樣本進(jìn)行大量的重構(gòu)運(yùn)算，需要巨大的計(jì)算量。針對這一問題，對這兩種分類器進(jìn)行了改進(jìn)，構(gòu)造了一

5、個(gè)新型的重構(gòu)空間，該空間中的點(diǎn)反映了一個(gè)樣本被其他樣本線性表出的重構(gòu)權(quán)重，利用先驗(yàn)知識找尋一個(gè)從原始樣本空間或圖像空間到該重構(gòu)空間的投影映射，以此快速地得到待分類目標(biāo)的重構(gòu)權(quán)重，通過比較重構(gòu)誤差完成分類。改進(jìn)的最近鄰子空間(ImprovedNearestSubspace，INS)和改進(jìn)的稀疏表示分類器(ImprovedSparseRepresentationbasedClassification，ISRC)在保持NS和SRC良好分類性能