保局鑒別人臉特征提取方法研究.pdf

1、特征提取是模式識別研究中的基本問題之一。對于人臉識別而言,提取有效的人臉特征是實現(xiàn)人臉識別任務的一個關鍵環(huán)節(jié)。在眾多的人臉特征提取方法中,子空間學習方法由于其計算簡單、有效性高等優(yōu)點受到了廣泛的關注并得到了大量的研究。主成分分析(PCA)和線性鑒別分析(LDA)是兩種典型的子空間分析方法,已經(jīng)在人臉識別中取得了較好的效果。然而,由于PCA和LDA都是建立在樣本分布于線性流形的假設之上的,因此,這就與“人臉樣本很可能是分布在一個嵌入到高維

2、空間的低維非線性子流形上”的研究結果相違背。近年提出的保局投影(LPP)是經(jīng)典流形學習方法拉普拉斯特征映射(LE)的線性逼近,它通過保持樣本在降維前后的局部近鄰關系實現(xiàn)了對樣本流形分布的描述,為此,該方法在很多領域得到了廣泛的應用。同時,大量的理論分析和實驗已經(jīng)證實:在處理模式分類問題時,基于可分性準則的鑒別分析方法具有其自身的優(yōu)勢。因此,結合流形學習和鑒別分析進行特征提取是當前的研究熱點。研究者們已經(jīng)提出了一系列流形鑒別子空間分析方法

3、,并成功應用于人臉特征提取。然而,目前大多數(shù)流形子空間分析方法仍然是線性的特征提取方法,對高度線性不可分對象(如人臉圖像)的處理能力有限。另外,當輸入空間樣本的近鄰關系描述不準確時,這些方法就不能很好的反映樣本集本身的特性。為了解決上述問題,本論文以保局投影和鑒別保局投影為基礎,結合核技巧、全子空間分析、特征正則化以及圖優(yōu)化等,對保局鑒別子空間人臉特征提取方法開展了深入的研究。
　　 論文主要在以下三方面開展了具有特色的研究工作

4、:
　　 ①鑒別保局投影方法在一定程度上保持了樣本的非線性特性,但本質上仍然是線性的特征提取方法;而人臉圖像由于受光照、背景及成像條件等外部因素以及年齡、表情、姿態(tài)等內在因素的影響,具有很高的可變性,進而在圖像空間呈現(xiàn)出高度的線性不可分性。因此,鑒別保局投影(DLPP)在用于提取人臉特征時,受限于其線性特性而表現(xiàn)不佳。為此,作者結合核技巧,在DLPP的基礎上提出了一種非線性特征提取算法——主元空間核保局鑒別分析(PKLPDA)算

5、法。該算法首先利用非線性映射將輸入空間內線性不可分的數(shù)據(jù)投影到高維特征空間,并在高維特征空間內提取保局鑒別特征。PKLPDA算法融合了保局投影、鑒別分析和核映射的優(yōu)點,提高了處理高度非線性對象的能力。
　　 ②鑒別保局投影是一種鑒別分析方法,為了避免高維小樣本問題,在求解過程中通常會加入PCA降維作為前處理。而PCA降維過程在降低數(shù)據(jù)維度、減少噪聲和冗余的同時也伴隨著鑒別信息的丟失。另一方面,有限的人臉樣本還會帶來保局類內散布矩

6、陣的小特征值和零特征估計不穩(wěn)定、不準確的問題。為此,作者結合特征正則化,提出了正則化保局鑒別分析(RLPDA)算法。該算法將整個保局鑒別特征空間劃分為三個子空間,并針對每個子空間不同的特性進行不同的正則化,從而實現(xiàn)了鑒別特征的完全、有效利用,并回避了小樣本問題。
　　 ⑨與其他的圖嵌套降維方法一樣,保局投影的近鄰圖也是預先定義的,且與降維過程相互獨立。該近鄰圖的構造僅依賴于原圖像空間內的近鄰關系以及涉及到的參數(shù)。當原空間內的近鄰

7、關系對整個數(shù)據(jù)集的描述不準確或者參數(shù)選擇不當時,所得到的近鄰圖也就不準確。在這種不準確的近鄰圖基礎上對數(shù)據(jù)進行降維處理可能無法得到預想的結果。為此,作者結合圖優(yōu)化策略及有監(jiān)督學習思想,提出了有監(jiān)督圖優(yōu)化保局投影(SGoLPP)算法。該算法通過將描述近鄰圖的權值矩陣作為優(yōu)化項引入到特征降維的目標函數(shù)中,實現(xiàn)了對權值矩陣和投影矩陣的同步優(yōu)化,并利用類別信息確保在更新的過程中異類樣本點對對應的權值為零,從而大大降低了異類樣本的干擾,使得到的權

8、值矩陣能更好的反映原始數(shù)據(jù)集的類別分布。
　　 通過在ORL、UMIST、CMU PIE、Yale和FERET等標準人臉圖像庫上的大量人臉識別實驗證實:上述提出的幾種保局鑒別子空間人臉特征提取算法的識別性能均優(yōu)于LDA、LPP、DLPP、NDLPP、DLA、ERE、KFDA、GoLPP等常用的子空間分析算法,驗證了上述方法的有效性。同時,上述研究工作已經(jīng)在《Neucomputing))、《儀器儀表學報》、《光學精密工程》等國內外