基于決策融合與距離學(xué)習(xí)的人臉識(shí)別算法研究.pdf

1、自動(dòng)人臉識(shí)別具有重要的理論研究意義和實(shí)用價(jià)值,自上世紀(jì)60年代以來(lái),人臉識(shí)別相關(guān)的各種技術(shù)得到長(zhǎng)足的發(fā)展。在受控條件下的人臉識(shí)別算法已經(jīng)能取得很好的性能,并且出現(xiàn)很多實(shí)用系統(tǒng)。然而在非受控條件下,這些人臉識(shí)別算法還不能達(dá)到實(shí)用的需求。本文致力于在無(wú)約束條件下設(shè)計(jì)魯棒性好的人臉識(shí)別算法,并通過(guò)在LFW人臉庫(kù)下的測(cè)試驗(yàn)證了算法性能。本文的工作成果主要分為以下幾個(gè)部分:
　　(1)本文提出了基于決策融合的人臉識(shí)別算法框架。由于在無(wú)約束場(chǎng)

2、景下,人臉受姿態(tài)、光照、遮擋和表情等各方面因素的影響,變化非常復(fù)雜。在這種情況下,如果僅僅使用某一種人臉特征難以取得很好的識(shí)別效果。在本文提出的框架中,可以使用多種人臉特征。這些特征可以相互補(bǔ)充,構(gòu)成對(duì)人臉的完整表達(dá),從而改善人臉識(shí)別算法的性能。如何有效的利用這些特征是本文考慮的關(guān)鍵。本文提出基于分類器相關(guān)性的分類器集成方法,按照分類器相關(guān)性的定義,將相關(guān)性小、信息互補(bǔ)的分類器組合在一起構(gòu)成一個(gè)強(qiáng)分類器提升分類的性能。
　　(2)

3、本文使用距離學(xué)習(xí)算法來(lái)取代普通的歐式距離。通過(guò)距離學(xué)習(xí)后,相同身份的人臉圖像之間的距離被減小,而不同身份的人臉圖像的距離被增大。因此,學(xué)習(xí)后的距離比歐式距離更具有針對(duì)性,能更好的區(qū)分復(fù)雜變化的人臉圖像。
　　(3)為了進(jìn)一步提升識(shí)別算法的性能,本文考慮了姿態(tài)的變化對(duì)算法性能的影響。為了處理姿態(tài)的變化,本文采用“分為治之,各個(gè)擊破”的算法策略來(lái)減小姿態(tài)的干擾。文中利用姿態(tài)估計(jì)算法將人臉圖像的按照不同的姿態(tài)分開,對(duì)每種姿態(tài)組合單獨(dú)訓(xùn)練