基于魯棒子空間學(xué)習(xí)的人臉識別技術(shù).pdf

1、人臉識別技術(shù)是生物特征識別領(lǐng)域甚至人工智能領(lǐng)域最重要的研究課題之一，該技術(shù)已廣泛應(yīng)用于金融、公安、社會福利保障、電子商務(wù)、安全防務(wù)等多個領(lǐng)域。在整個人臉識別過程中，人臉圖像特征提取占據(jù)最重要位置。有效的特征提取方法能夠提取出主要且具有代表性的人臉特征，使用這些特征將人臉數(shù)據(jù)歸類為對應(yīng)的模式類別，既簡化了分類器設(shè)計(jì)，同時大大提升了人臉識別的準(zhǔn)確率。作為人臉識別技術(shù)的一類主流方法，子空間因其描述性強(qiáng)、識別率高、計(jì)算代價小等良好的性能，得到越

2、來越多的關(guān)注以及廣泛的應(yīng)用。低秩表示作為一種低秩子空間分割的方法，其在更好挖掘人臉數(shù)據(jù)內(nèi)部的結(jié)構(gòu)方面，得到了廣泛的關(guān)注以及長足的進(jìn)步。它致力求解出一個對角塊狀矩陣，矩陣中每一個塊關(guān)聯(lián)一個樣本類別。同時，算法引入一個殘差項(xiàng)，能夠更好地處理復(fù)雜情況下的數(shù)據(jù)，使得算法對于噪聲有更好的魯棒性。近年來，一些將低秩表示與子空間學(xué)習(xí)方法相結(jié)合的算法相繼被提出，這些算法能充分利用低秩表示和子空間學(xué)習(xí)的優(yōu)勢，使新的算法有著更好的魯棒性，在識別率上有著顯著

3、的提高。本文主要就以下幾點(diǎn)展開研究：
　?。?）全面介紹和分析三種重要的子空間分析方法。子空間分析方法主要由線性子空間方法和非線性子空間方法組成，此部分主要分析兩種線性的子空間算法：主成分分析法（PCA）、線性判別分析法（LDA），以及非線性方法的線性近似算法：局部保持投影法（LPP）。
　　（2）在經(jīng)典子空間分析方法的基礎(chǔ)上，進(jìn)一步介紹低秩表示方法。低秩表示是一種子空間分割方法，不同于稀疏表示著眼于獨(dú)立子空間內(nèi)樣本的最稀疏

4、的表示，低秩表示尋求的是來自不同子空間所有樣本作為向量組的最低秩的表示。通過觀察此部分的實(shí)驗(yàn)結(jié)果，可以發(fā)現(xiàn)低秩表示對噪聲有著更好的魯棒性。
　　（3）研究當(dāng)前主要的結(jié)合了低秩表示與子空間的算法，并在多個人臉數(shù)據(jù)庫上進(jìn)行實(shí)驗(yàn)分析，論證低秩和子空間結(jié)合能夠更好地挖掘人臉數(shù)據(jù)的全局結(jié)構(gòu)以及處理高維人臉的情況，能達(dá)到顯著提高人臉識別準(zhǔn)確率的效果。
　?。?）在分析了低秩子空間結(jié)合算法優(yōu)勢的基礎(chǔ)上，提出了基于低秩的度量學(xué)習(xí)算法。將該算