SpLPP在人臉識別中的應(yīng)用研究.pdf

1、受公共安全、信息安全、司法檢驗等領(lǐng)域潛在的需求所推動，人臉識別是近年來模式識別領(lǐng)域的一大研究熱點，具有廣闊的應(yīng)用前景。特征提取是模式識別研究的核心內(nèi)容之一。它的基本過程是根據(jù)實際需要，定義一個函數(shù)映射，將數(shù)據(jù)從原始輸入空間投影到一個新的特征空間，從而提取出感興趣的信息。
　　 局部保持映射方法(LPP)和子模式局部保持映射方法(SpLPP)是有效的特征提取方法，在人臉識別領(lǐng)域已得到廣泛的應(yīng)用。但LPP方法作用在整張人臉圖像上，僅

2、能提取人臉的全局信息，難以顧及人臉的局部信息，故在復(fù)雜的人臉表情和光照條件下此方法并不十分有效。SpLPP通過劃分輸入模式為多個等大互不重疊的子模式，然后利用LPP在各個子模式中分別提取局部信息。該算法在一定意義上克服了傳統(tǒng)LPP的局限性，但是它對每個子模式都賦予了同樣的分類重要性，從而容易導(dǎo)致信息的冗余和后期分類性能的下降。為了克服SpLPP的缺點，更進一步提高算法的識別率，本文所做的研究工作包括：
　　 ①本文首先對人臉識別

3、領(lǐng)域的研究背景及意義、人臉識別技術(shù)涉及的理論和技術(shù)難點、人臉識別領(lǐng)域的發(fā)展現(xiàn)狀等基本問題進行綜述，對典型的人臉識別方法進行分類闡述。然后，本文又介紹了一些經(jīng)典子空間方法的基本原理和優(yōu)缺點。
　　 ②受自適應(yīng)加權(quán)子模式主成分分析(Aw-SpPCA)算法的啟發(fā)，本文提出了自適應(yīng)加權(quán)子模式局部保持映射(Adaptively weighted Sub-pattern LPP，Aw-SpLpp)算法，并成功地將此算法用于人臉識別。該算法的

4、實現(xiàn)過程如下：首先將人臉圖像劃分的多個等大、互不重疊的子圖像組成若干個子模式，并在其上進行LPP分析，然后計算每個子模式的貢獻度，最后把貢獻度融合到分類器中進行模式分類。該方法試圖強化人臉局部信息對人臉識別的貢獻度，并且能自適應(yīng)地計算出人臉不同部位對識別的不同預(yù)期貢獻，并把此預(yù)期貢獻作為權(quán)值結(jié)合到分類器中分類，以提高人臉識別性能。
　　 ③利用MATLAB在三個國際標準人臉數(shù)據(jù)庫（ORL、Yale和FERFE）上進行了識別驗證，