基于流形學(xué)習(xí)的多姿態(tài)人臉識別研究.pdf

1、人臉的自動識別是模式識別、圖像處理、計算機視覺等領(lǐng)域最富有挑戰(zhàn)性的課題之一，可以廣泛的應(yīng)用于新一代的身份驗證、罪犯識別、場景監(jiān)控、無接觸人機交互以及可視通信等領(lǐng)域，是近幾年來國際上的研究熱點。 傳統(tǒng)的基于子空間理論的人臉識別算法是建立在人臉空間是線性可分空間的假設(shè)基礎(chǔ)上，但是人臉空間為嵌套在高維空間中的非線性流形，基于線性理論的算法必定會忽略流形結(jié)構(gòu)的凸起和凹進等細微結(jié)構(gòu)，難以達到較高的識別率，這已經(jīng)成為人臉識別的“瓶頸”問題。

2、基于流形學(xué)習(xí)和非線性判別分析等理論的非線性人臉識別方法越來越受到人們的關(guān)注。本文正是著眼于基于非線性理論的人臉識別算法研究，針對目前基于流形學(xué)習(xí)和非線性判別分析算法存在的缺點和不足，探討基于非線性理論的識別算法在人臉識別方面遇到的相關(guān)問題。本文在充分回顧已有方法的基礎(chǔ)上，在基于流形學(xué)習(xí)的非線性降維和非線性判別分析等方面提出了若干創(chuàng)新性的想法，并給出了令人振奮的實驗結(jié)果，為人臉識別在非線性理論方法的發(fā)展方面開拓了新的思路。 本文的

3、主要研究工作包括以下幾個方面。 1．基于非線性理論的多姿態(tài)人臉識別研究人臉空間是嵌套在高維空間中的非線性流形，針對人臉空間分布的非線性特點，研究基于非線性理論的多姿態(tài)人臉識別，主要包括基于流形學(xué)習(xí)的非線性降維和基于非線性判別分析的多姿態(tài)人臉識別。首先，基于人臉圖像的高維觀測空間，研究基于流形學(xué)習(xí)的非線性降維方法，將人臉圖像由高維空間映射到低維空間，建立人臉圖像在低維流形空間的緊致表示。其次，針對多姿態(tài)人臉圖像空間分布的非線性，研

4、究基于非線性判別分析的多姿態(tài)人臉識別，將整個人臉空間劃分成多個局部空間，在局部空間結(jié)合基于流形學(xué)習(xí)的非線性降維和非線性判別分析算法，對多姿態(tài)人臉圖像進行分類識別。 2．非線性人臉姿態(tài)估計方法的研究姿態(tài)估計是進行多姿態(tài)人臉識別的基礎(chǔ)。針對目前姿態(tài)估計算法采用的訓(xùn)練樣本不準(zhǔn)確，姿態(tài)估計精度差，適用范圍窄的問題，研究非線性人臉姿態(tài)估計方法。首先，根據(jù)人臉的二維圖像，應(yīng)用三維人臉模型生成多種姿態(tài)下的人臉圖像虛擬樣本，以提高訓(xùn)練數(shù)據(jù)的準(zhǔn)確

5、性；然后，構(gòu)建雙層Fisher核判別分析模型，并建立圖像梯度與人臉姿態(tài)之間的對應(yīng)關(guān)系，由粗到細的估計人臉的姿態(tài)變化，提高了姿態(tài)估計算法的適用范圍和精度。 3．基于三維形變模型的虛擬樣本生成針對人臉識別中的小樣本問題和姿態(tài)估計中訓(xùn)練樣本的選取問題，研究基于三維人臉形變模型的虛擬樣本生成方法。三維人臉形變模型是一種基于知識的線性組合模型，根據(jù)單張二維人臉圖像，采用模型可以自動重建真實感的三維人臉。將重建后的三維人臉經(jīng)過旋轉(zhuǎn)、重新加光

6、后投影到二維人臉圖像平面，即可生成人臉圖像的虛擬樣本。但是，三維人臉形變模型是由三角網(wǎng)格構(gòu)成，投影過程中存在投影空洞和重復(fù)投影的問題。本文主要基于三維毽型，研究人臉圖像虛擬樣本的生成方法。 基于上面幾個方面的深入研究，本文主要在以下幾個方面取得了一定的突破和進展，獲得了一定的研究成果。 1．提出了一種基于線性測地線距離保持映射的降維算法針對傳統(tǒng)的基于流形學(xué)習(xí)的維數(shù)約簡方法計算復(fù)雜度高，對測試樣本無表達的問題，本文提出了一

7、種基于線性測地線距離保持映射的降維方法。算法采用測地線距離建模流形空間的內(nèi)在結(jié)構(gòu)，通過保持數(shù)據(jù)之間測地線距離關(guān)系保持其內(nèi)在結(jié)構(gòu)，采用懲罰因子約束低維空間中數(shù)據(jù)的歐式距離關(guān)系，建立高維空間到低維空間的線性映射模式，有效地解決了測試樣本無表達的問題。 2．提出了一種基于非線性測地線距離保持映射的降維算法由于線性映射模式本身存在一定的局限性，本文提出了一種基于非線性測地線距離保持映射的降維方法。首先采用ISOMAP算法對人臉圖像進行降

8、維運算，然后根據(jù)降維后的結(jié)果，利用統(tǒng)計學(xué)中的多元回歸和最小二乘法擬合高維空間的觀測數(shù)據(jù)到低維空間特征數(shù)據(jù)的對應(yīng)關(guān)系，建立由高維空間到低維空間的非線性映射關(guān)系，解決線性映射無法得到某些非線性流形內(nèi)在結(jié)構(gòu)的問題。 3．提出了一種基于局部流形學(xué)習(xí)非線性判別分析的多姿態(tài)人臉識別方法針對人臉空間分布的非線性和復(fù)雜性，提出了一種基于局部流形學(xué)習(xí)非線性判別分析的多姿態(tài)人臉識別方法。首先，將人臉圖像按照姿態(tài)進行分組，以降低人臉樣本在空間分布的復(fù)

9、雜度；然后，采用線性測地線距離保持映射算法進行降維處理，降低運算數(shù)據(jù)量，提高各組內(nèi)人臉圖像數(shù)據(jù)的線性可分性；最后，在變換后的數(shù)據(jù)集滿足類內(nèi)距最小、類間距最大的整體性約束下，計算各組人臉圖像由高維空間到低維空間的映射，提高了多姿態(tài)人臉識別的準(zhǔn)確率。 4．提出了一種基于雙層Fisher核判別分析的姿態(tài)估計方法針對現(xiàn)有姿態(tài)估計算法準(zhǔn)確性差、適應(yīng)范圍小的問題，提出了一種基于雙層Fisher核判別分析的姿態(tài)估計方法。首先，面對實際采集的人

10、臉圖像姿態(tài)變化度量不準(zhǔn)確的問題，采用虛擬人臉樣本圖像作為訓(xùn)練樣本，并對圖像做邊緣化處理，構(gòu)建人臉的邊緣圖像，以去除圖像中人臉對象的個性，突出姿態(tài)變化的共性；然后，建立第一層Fisher核判別分析模型，對圖像中的人臉姿態(tài)做出粗粒度估計，估計姿態(tài)的變化范圍；最后，建立第二層Fisher核判別分析模型，根據(jù)圖像梯度與人臉姿態(tài)的對應(yīng)關(guān)系做出細粒度估計，估計出人臉姿態(tài)的旋轉(zhuǎn)角度。新算法可以更精確的估計人臉姿態(tài)，在虛擬圖像和實際圖像數(shù)據(jù)集上都取得了

11、良好的效果。 5．提出了一種基于三維形變模型的虛擬樣本生成方法針對多姿態(tài)人臉圖像獲取困難的問題，本文提出了一種基于三維形變模型的虛擬樣本生成方法。新方法可以根據(jù)一幅人臉二維圖像，自動重建真實感的三維人臉，將重建后的三維人臉經(jīng)過旋轉(zhuǎn)、重新加光后投影到二維人臉圖像平面，生成人臉圖像的虛擬樣本。新方法有效地解決了單視圖或小樣本的多姿態(tài)識別問題，同時也為姿態(tài)估計提供了準(zhǔn)確地訓(xùn)練數(shù)據(jù)。 基于非線性理論的人臉識別方法是一種新的人臉識