人臉識(shí)別關(guān)鍵問(wèn)題研究.pdf

1、特征提取是人臉識(shí)別研究的核心問(wèn)題。通過(guò)采集設(shè)備所獲得的人臉圖像構(gòu)成了高維的人臉觀測(cè)空間，而人臉的鑒別特征則分布在高維空間中人臉樣本所形成的低維流形（子空間）上。特征提取就是從高維觀測(cè)空間搜尋低維的人臉鑒別子空間（流形）的過(guò)程。在這一過(guò)程中，光照處理和維數(shù)約簡(jiǎn)是兩個(gè)關(guān)鍵的步驟。在觀測(cè)空間中，人臉樣本數(shù)據(jù)的分布在本質(zhì)上是稀疏的，但各類別分布之間又是高度交疊的，造成了人臉樣本的類內(nèi)差異大于類間差異。對(duì)人臉圖像進(jìn)行光照處理，可以有效地調(diào)整觀測(cè)空

2、間中人臉樣本的分布形態(tài)，縮小樣本的類內(nèi)差異，增大類間差異，為隨后的維數(shù)約簡(jiǎn)（特征提取）奠定良好的基礎(chǔ)。經(jīng)過(guò)光照處理的人臉圖像仍然位于高維的觀測(cè)空間，向量的高維性質(zhì)會(huì)造成“維數(shù)災(zāi)難”和“測(cè)度集中”現(xiàn)象，在這種情況下，直接利用分類器進(jìn)行分類難以取得好的效果。因此，如何針對(duì)高維、小樣本的人臉識(shí)別問(wèn)題，設(shè)計(jì)出有效的維數(shù)約簡(jiǎn)算法，以便從高維的觀測(cè)空間中提取的最具鑒別力的低維人臉特征，便成為人臉識(shí)別研究的中心任務(wù)。遵循這一思路，本文圍繞著光照處理和

3、特征提取這兩個(gè)關(guān)鍵步驟，從理論和技術(shù)兩個(gè)層面進(jìn)行了深入的研究，在現(xiàn)有的研究基礎(chǔ)上，提出了一些新的觀點(diǎn)和解決方案。
　　 針對(duì)光照變化處理，論文分別提出了基于Gabor小波和基于NSCT(Nonsubsampled Contourlet Transform，NSCT)變換的光照處理算法。
　　 (1)基于Gabor小波的光照變化處理:Gabor小波內(nèi)核類似于哺乳動(dòng)物的視覺皮層感知細(xì)胞的響應(yīng)曲線，因此圖像的Gabor特征對(duì)光

4、照、姿態(tài)和表情的變化不敏感?；贕abor小波的這一特性，本文首先對(duì)人臉圖像進(jìn)行Gabor變換，得到人臉的Gabor表征，之后針對(duì)高維的Gabor特征，提出基于保持局部線性關(guān)系的監(jiān)督流形學(xué)習(xí)算法:監(jiān)督鄰域保持嵌入算法(Supervised Neighborhood Preserving Embedding，SNPE)，進(jìn)行了有效的維數(shù)約簡(jiǎn)。在Yale和ORL兩個(gè)人臉數(shù)據(jù)庫(kù)上進(jìn)行了實(shí)驗(yàn)，結(jié)果驗(yàn)證了算法的可行性。
　　 (2)基于N

5、SCT變換的光照變化處理:類似于Gabor小波，NSCT變換(Nonsubsampled Contourlet Transform，NSCT)也是一種多尺度、多方向的2D小波變換，但和Gabor小波不同，NSCT的基函數(shù)之間是相互正交的。因此，NSCT各子圖之間所包含的冗余信息最小，而且可以通過(guò)重構(gòu)算法由子圖得到原始圖像?；贜SCT變換的這種優(yōu)良性質(zhì)，本文在Retinex光照模型的基礎(chǔ)上，將人臉圖像變換到NSCT域，采用自適應(yīng)閾值對(duì)各

6、高頻子圖進(jìn)行濾波，通過(guò)逆NSCT變換重構(gòu)得到人臉圖像的光照不變量（特征）。實(shí)驗(yàn)結(jié)果表明，本文所提算法可以非常有效地削弱光照變化對(duì)人臉圖像的影響，在很大程度上提高了算法的識(shí)別率。
　　 流形學(xué)習(xí)的核心思想是在降維的過(guò)程中保持?jǐn)?shù)據(jù)空間局部的幾何性質(zhì)，是目前主流的非線性子空間方法，已經(jīng)被廣泛地應(yīng)用到了人臉識(shí)別問(wèn)題中。本文根據(jù)人臉樣本分布的特點(diǎn)，基于現(xiàn)行方法提出了3種應(yīng)用于人臉識(shí)別問(wèn)題的監(jiān)督流形學(xué)習(xí)算法:
　　 (1)自適應(yīng)監(jiān)督

7、局部保持最優(yōu)投影算法(Adaptive Supervised Locality Optimal Preserving Projection，ASLOPP):ASLOPP算法在構(gòu)造樣本空間特征圖時(shí)，首先采用自適應(yīng)鄰域算法來(lái)確定樣本空間中每個(gè)數(shù)據(jù)點(diǎn)鄰域的大小，增強(qiáng)了對(duì)數(shù)據(jù)分布稀疏性的表征;其次通過(guò)改變權(quán)值來(lái)抑制鄰域內(nèi)不同樣本之間的相似度，并通過(guò)增加約束條件，采用迭代算法進(jìn)行目標(biāo)函數(shù)的優(yōu)化，使得低維嵌入空間的基向量之間相互正交，減少了嵌入空間

8、中信息的冗余，同時(shí)也提高鑒別能力。在Extended Yale B和CMUPIE兩個(gè)人臉庫(kù)上進(jìn)行了實(shí)驗(yàn)，結(jié)果表明該算法可以有效地提高人臉識(shí)別效果。
　　 (2)監(jiān)督局部保持投影算法（Supervised Locality Preserving Projection，SLPP）:該算法也是在LPP算法的基礎(chǔ)上，根據(jù)人臉圖像特征空間的分布特點(diǎn)，在構(gòu)造樣本空間特征圖的過(guò)程中，首先利用自適應(yīng)鄰域算法確定樣本點(diǎn)鄰域大小，之后利用樣本的先驗(yàn)

9、類標(biāo)信息，分布構(gòu)造了類內(nèi)圖和類外圖，用來(lái)表征樣本空間中各類樣本的分布情況。目標(biāo)函數(shù)則融入了線性鑒別分析(Linear Discriminant Analysis，LDA)的思想，使得優(yōu)化后的嵌入空間不僅最優(yōu)保持了原始樣本空間的局部幾何結(jié)構(gòu)，同時(shí)各類樣本的類內(nèi)散度最小化，類間散度最大化，大幅度增強(qiáng)了嵌入空間的鑒別能力。
　　 (3)監(jiān)督鄰域保持嵌入算法(Supervised Neighborhood Preserving Embe

10、dding):監(jiān)督鄰域保持嵌入則是在NPE算法(Neighborhood Preserving Embedding，NPE)的基礎(chǔ)上，在構(gòu)造樣本空間的鄰域圖的過(guò)程中，利用樣本的類標(biāo)信息將鄰域內(nèi)樣本分為內(nèi)類樣本和外類樣本，通過(guò)目標(biāo)函數(shù)的優(yōu)化，使得嵌入空間在最優(yōu)保持樣本空間局部線性關(guān)系的同時(shí)，同類數(shù)據(jù)之間距離縮小，不同類數(shù)據(jù)之間距離增大，從而嵌入空間在最優(yōu)保持各類數(shù)據(jù)子流形的基礎(chǔ)上，減少了數(shù)據(jù)的類內(nèi)散度，增大了數(shù)據(jù)的類間散度，提高了鑒別能力