基于流形學(xué)習(xí)的人臉識別若干關(guān)鍵技術(shù)研究.pdf

1、人臉識別作為生物特征識別的主流技術(shù)之一,是國內(nèi)外研究和應(yīng)用的熱點。主流的人臉識別技術(shù)對光照、姿態(tài)等由于非理想采集條件或者用戶不配合造成的變化魯棒性較差。流形學(xué)習(xí)是近年來機器學(xué)習(xí)及模式識別等領(lǐng)域的研究熱點。人臉從某種意義上來說是一種典型的流形結(jié)構(gòu),人臉數(shù)據(jù)集是由某些內(nèi)在變量控制形成的非線性流形。因此,基于流形學(xué)習(xí)的人臉識別研究近年來引起了人們的廣泛關(guān)注,成為該領(lǐng)域的熱門研究課題。
　　 本文通過仿真實驗,系統(tǒng)分析主流線性和非線性流

2、形學(xué)習(xí)算法在人臉識別中應(yīng)用的可行性,優(yōu)勢及存在的問題。針對流形學(xué)習(xí)在人臉識別應(yīng)用中的本征維數(shù)估計問題、測試數(shù)據(jù)的out-of-sample問題、無監(jiān)督學(xué)習(xí)問題以及人臉識別技術(shù)中的光照問題和活體檢測問題開展工作,其主要研究工作及創(chuàng)新點包含以下三個部分：⑴提出監(jiān)督局部線性判別嵌入(Supervised Locally Linear DiscriminantEmbedding,SLLDE)算法,相對于局部線性嵌入算法,該方法有以下三點改進：①

3、SLLDE是局部線性嵌入算法的線性近似,它借鑒線性判別分析的思想,在目標函數(shù)中引入了類內(nèi)散度度量和類間散度度量,使得同類樣本點分布盡可能密集,并且不同類的樣本點分離,解決了測試數(shù)據(jù)的out-of-sample問題。②對于局部線性嵌入算法,本征維數(shù)是一個需要估計的未知量。針對該問題,本文提出基于局部線性判別分析的最優(yōu)判別維數(shù)估計算法。該方法是基于局部主成分分析方法的改進,對數(shù)據(jù)的局部子集進行線性判別分析。③原始LLE算法是無監(jiān)督學(xué)習(xí)算法,

4、沒有利用到樣本的標簽信息。SLLDE算法結(jié)合樣本本身的流形結(jié)構(gòu)信息和標簽信息調(diào)整樣本點之間的距離,使用調(diào)整后的距離矩陣來實現(xiàn)線性近鄰重構(gòu)。⑵將胡[75]等人提出的基于先驗知識的自動白平衡算法,應(yīng)用于人臉識別光照預(yù)處理。光照問題是人臉識別技術(shù)的瓶頸,基于圖像處理技術(shù)的光照預(yù)處理方法以其簡單有效性在實際應(yīng)用中得到了廣泛的重視。⑶提出一種結(jié)合傅立葉頻譜分析和眨眼檢測的反照片欺騙活體人臉判斷方法。在人臉識別應(yīng)用中,合法用戶的人臉圖片、視頻以及三