保局子空間人臉特征提取及識別方法研究.pdf

1、隨著國防安全和社會公共安全需求的不斷增長,人臉識別的研究受到了極大的重視。目前,人臉識別的重點(diǎn)是對算法有效性的研究。盡管主成分分析(PCA)和線性鑒別分析(LDA)等子空間方法在人臉識別中已經(jīng)取得了極大的成功,但是研究表明人臉樣本很可能是分布在一個嵌入到高維圖像空間的低維非線性子流形上的。在這種情況下,PCA和LDA等在樣本分布服從歐幾里德幾何結(jié)構(gòu)時有效的子空間方法可能會由于無法準(zhǔn)確地描述樣本的流形結(jié)構(gòu)而失效。相對PCA和LDA,保局投

2、影(LPP)作為拉普拉斯特征映射的一種線性逼近可以較好的反映樣本的流形結(jié)構(gòu),已經(jīng)被廣泛的應(yīng)用到圖像檢索和圖像修復(fù)中。然而,作為一種無監(jiān)督的子空間學(xué)習(xí)方法,LPP的分類能力較弱,并不是最有效的人臉識別方法。另外,人臉識別是典型的高維小樣本問題,在小的樣本集上訓(xùn)練得到的子空間分類器往往是有偏的且分類結(jié)果不穩(wěn)定。本論文以保局投影為基礎(chǔ),結(jié)合子空間鑒別分析和隨機(jī)子空間方法、Bagging算法等分類器融合方法對保局子空間人臉特征提取及識別方法進(jìn)行

3、了深入的研究。論文主要進(jìn)行了以下4個方面的創(chuàng)新性研究工作:①結(jié)合隨機(jī)子空間方法和保局投影算法,提出了隨機(jī)采樣子空間保局投影人臉識別算法(RSSLPP)。該算法按照一定的策略對由主成分分析得到的主元子空間進(jìn)行多次隨機(jī)采樣并在獲得的多個隨機(jī)采樣子空間中分別進(jìn)行保局投影,然后融合多個隨機(jī)采樣子空間中保局投影算法的識別結(jié)果,有效地解決了單一的無監(jiān)督保局投影算法分類能力弱的缺點(diǎn)。②為了提取比LPP更具鑒別能力的特征,首次提出了零空間鑒別保局投影人

4、臉識別算法(NDLPP)。該算法通過在保局類內(nèi)散布的零空間內(nèi)最大化修改了的Fisher準(zhǔn)則函數(shù)提取人臉鑒別特征,有效地利用了保局類內(nèi)散布零空間內(nèi)最具鑒別能力的信息。③為了克服NDLPP算法保局類內(nèi)散布零空間內(nèi)的鑒別信息由于樣本數(shù)增多而逐步減少的問題,結(jié)合Bagging分類器融合算法和零空間保局鑒別分析(NLPDA)方法,提出了零空間保局鑒別分析的Bagging融合方法(BagNLPDA)。該方法利用Bagging算法的自舉技術(shù)對訓(xùn)練樣本

5、進(jìn)行重采樣,形成了一組新的訓(xùn)練樣本子集,然后在每個子集上分別進(jìn)行零空間保局鑒別分析。BagNLPDA方法既避免了NDLPP算法保局類內(nèi)散布零空間內(nèi)的鑒別信息由于樣本數(shù)增多而逐步減少的問題,又結(jié)合了Bagging分類器融合的特點(diǎn),充分的多次使用了保局類內(nèi)散布零空間內(nèi)的鑒別信息,可以有效地克服在人臉樣本集上訓(xùn)練得到的單一零空間保局鑒別分類器有偏且變化較大的缺點(diǎn),增強(qiáng)分類結(jié)果的穩(wěn)定性。④為了解決DLPP算法和NDLPP算法均無法有效利用保局子

6、空間內(nèi)的所有鑒別信息的問題,提出了完備鑒別保局投影人臉識別算法(CDLPP)。該算法分別提取了保局類內(nèi)散布主元空間和零空間內(nèi)的規(guī)則鑒別特征和不規(guī)則鑒別特征,通過特征層融合的手段形成新的鑒別特征,使保局子空間內(nèi)的所有鑒別信息得以充分利用。通過在ORL、FERET、Yale、PIE等國際通用的人臉圖像庫上的大量人臉識別實驗證實:本論文中提出的4種保局子空間人臉識別算法的識別性能均優(yōu)于Eigenfaces、Fisherfaces、保局投影以及