基于Boosting學(xué)習(xí)與二維子空間方法的人臉圖像分析研究.pdf

1、人臉圖像分析技術(shù)是計算機視覺和模式識別領(lǐng)域非?；钴S的研究課題，其目的是讓計算機通過圖像信息自動地完成人臉檢測、人臉識別、面部性別識別和面部表情識別等功能，在安全保衛(wèi)、電子娛樂和科學(xué)教育等方面有著廣泛的應(yīng)用前景。本文以Boosting學(xué)習(xí)和二維子空間方法為基礎(chǔ)，以人臉圖像分析為應(yīng)用，重點進(jìn)行了四個方面的研究：(1)Boosting學(xué)習(xí)中弱分類器的構(gòu)造問題。對基于局部二元模式算子和主成分分析的分類方法嵌入AdaBoost算法進(jìn)行了研究和討論

2、。(2)推廣二維主成分分析為非線性二維主成分分析，并提出快速算法以解決非線性二維主成分分析面臨的計算開銷大的問題。(3)以解決小樣本問題為目的，提出了二維典型相關(guān)分析的算法模型。(4)以構(gòu)建一種有效的圖像局部特征提取方法為目的，提出了二維偏最小二乘的算法模型。本文主要工作與創(chuàng)新如下： 1．本文首先全面介紹了人臉圖像分析研究的歷史與現(xiàn)狀。人臉圖像分析研究根據(jù)其目的的不同，主要可以分為人臉檢測，人臉識別，面部特征檢測與提取，人臉屬性

3、識別和面部表情識別等問題。本文選取其中典型的三類問題：人臉檢測，人臉識別和面部表情識別進(jìn)行綜述。分類對他們的研究歷史、最新成果、主要方法和現(xiàn)存技術(shù)難點進(jìn)行了全面的介紹和分析。此外，還對人臉圖像分析研究中常用的人臉數(shù)據(jù)庫進(jìn)行了匯總。 2．研究了局部二元模式算子與Boosting算法相結(jié)合進(jìn)行兩類分類的問題。提出了兩種基于LBP的面部性別識別方法，其中的BoostingLBP方法首先采用可變尺寸的子窗口對人臉圖像進(jìn)行掃描。在掃描所得

4、的每個子窗口中，使用LBP算子對該子窗口進(jìn)行特征提取，這些特征由對應(yīng)于局部二元模式的直方圖來表示。計算樣本圖像的LBP直方圖和模板的LBP直方圖之間的度量，并由此構(gòu)建弱分類器集。然后利用Adaboost算法選取最有效的若干個弱分類器集組合成為強分類器。實驗結(jié)果表明：首先，LBP算子能有效的從人臉圖像中提取出針對人臉性別分類的特征，并可以達(dá)到人臉性別分類的目的。其次，本文提出的兩種基于LBP算子的方法可以有效的解決傳統(tǒng)LBP方法所存在的特

5、征提取范圍有限、加權(quán)機制客觀性不足等問題。最后，本文兩種方法，尤其是Boosting LBP方法可以獲得較其他方法更優(yōu)的分類結(jié)果。 3．研究了主成分分析與Boosting算法相結(jié)合進(jìn)行多類分類的問題。提出了稱為BoostingTree的面部表情識別方法。該方法基于傳統(tǒng)的Adaboost算法，采用樹形結(jié)構(gòu)將七種表情的分類問題分解為六層的二分類問題加以解決。在BoostingTree算法中，采用了一種改進(jìn)的PCA方法來構(gòu)造弱分類器集

6、。在傳統(tǒng)PCA方法求得特征向量矩陣后，不是根據(jù)特征值的大小順序選取特征向量，而是使用“組合塊”策略對特征向量進(jìn)行任意組合以構(gòu)造弱分類器集。該策略既解決了任意組合特征向量帶來的“數(shù)據(jù)災(zāi)難”問題和數(shù)據(jù)冗余問題，又可以配合Boosting/Tree方法挑選出最佳的特征向量組合來構(gòu)造最終的強分類器。實驗表明，此方法所取得的識別率優(yōu)于基于Bayes和Adaboost的面部表情識別方法。 4．研究了非線性二維主成分分析并提出了一種快速算法。

7、2DPCA方法的本質(zhì)是直接對圖像協(xié)方差矩陣進(jìn)行特征提取，而不使用傳統(tǒng)PCA方法所采取的圖像拉直預(yù)處理。核二維主成分分析則是傳統(tǒng)主成分分析方法的非線性擴展，其利用核技巧完成這一功能。同樣，核化2DPCA(K2DPCA)方法將有效的提高該方法的識別性能。然而當(dāng)樣本集較大時，普通K2DPCA方法通常會面臨巨大運算量和存儲開銷的問題。我們將提出一種快速算法，能明顯的提高特征提取的速度以及有效的降低存儲開銷。人臉識別實驗的結(jié)果證明，本文所提出的快

8、速算法在取得與普通K2DPCA方法相同的識別正確率的同時，在計算時間和內(nèi)存開銷上有顯著降低。 5．推廣傳統(tǒng)典型相關(guān)分析為二維典型相關(guān)分析方法，并利用其解決人臉識別中的小樣本問題。在基于傳統(tǒng)典型相關(guān)分析(CCA)的人臉識別中，由于訓(xùn)練樣本數(shù)小于樣本維數(shù)所造成的協(xié)方差矩陣病態(tài)奇異會導(dǎo)致小樣本問題(SSS)的出現(xiàn)。針對以上問題，本文提出了一種改進(jìn)的有監(jiān)督統(tǒng)計學(xué)習(xí)方法，稱為二維典型相關(guān)分析(2DCCA)。該方法與傳統(tǒng)CCA方法的最大區(qū)別

9、之處在于2DCCA直接使用原始圖像矩陣進(jìn)行特征提取，而不需要對圖像進(jìn)行矩陣到向量的拉直處理。在實際應(yīng)用中，由2DCCA方法計算得到的協(xié)方差矩陣通常是滿秩的，因此該方法可以有效的解決小樣本問題。本文首先闡述了2DCCA方法的基本原理并給出了類成員關(guān)系矩陣的構(gòu)造方法。其次，推導(dǎo)出了類成員關(guān)系協(xié)方差矩陣廣義逆的解析解。再次，從理論上證明了2DCCA方法對于解決小樣本問題的有效性。最后，利用人臉識別實驗來測試該方法的性能，實驗結(jié)果表明，2DCC

10、A方法有效地解決了圖像識別中常見的小樣本問題，并且能取得較其他幾種基于CCA的人臉識別方法更優(yōu)的識別結(jié)果。 6．提出了一種基于二維偏最小二乘法(2DPLS)的圖像局部特征提取方法，并將其應(yīng)用于面部表情識別中。該方法首先利用局部二元模式(LBP)算子提取一幅圖像中所有子塊的紋理特征并將其組合成局部紋理特征矩陣。由于樣本圖像被轉(zhuǎn)化為局部紋理特征矩陣，將傳統(tǒng)PLS方法推廣為二維PLS方法來提取其中的判別信息。在二維PLS方法中，對類成