基于流形學習的特征提取與人臉識別研究.pdf

1、人臉識別是生物特征識別領域的一個活躍方向，主要任務是根據(jù)人臉圖像中的有效鑒別信息進行個體的身份識別。在人臉圖像識別過程中，由于原始的圖像樣本數(shù)目較少且維數(shù)較高，如何提取關鍵特征進行維數(shù)約簡與識別一直是該領域研究的一個難點問題。
　　流形學習是當前模式識別與計算機視覺領域的一個研究熱點，其主要目標是發(fā)現(xiàn)高維空間數(shù)據(jù)的低維光滑流形，并求出相應的嵌入映射，以實現(xiàn)維數(shù)約簡或者數(shù)據(jù)可視化。盡管基于流形學習的特征提取算法已被廣泛應用于人臉識別

2、問題，并且取得了良好的性能，但仍存在參數(shù)選擇、噪聲敏感、判別力不足等問題。本文針對這些問題進行了深入分析，并提出了幾種新的特征提取方法，主要工作及創(chuàng)新點如下:
　　(1)針對幾種典型的局部保持策略存在的判別力不足等問題，提出了局部最大間距鑒別嵌入(LMMDE)特征提取方法。LMMDE在保持樣本局部結構的同時，考慮位于同一流形上不同類樣本的差異性，有效解決了因近鄰關系扭曲而引起的不同類樣本相互重疊的問題。另外，LMMDE基于最大間距

3、準則定義目標函數(shù)，成功避免了“小樣本”問題。
　　(2)在線性鑒別分析(LDA)算法與鑒別局部保持投影(DLPP)算法的基礎上分別提出了最小距離鑒別投影(MDP)算法與鑒別局部中值保持投影(DLMPP)算法。
　　LDA是一種基于樣本全局結構的算法，無法刻畫樣本間的近鄰關系。針對此問題，MDP通過在LDA目標函數(shù)中引入樣本的類內與類間相似度刻畫樣本的近鄰關系:類內相似度能夠度量樣本與類內中心的距離關系，而類間相似度不僅能夠反

4、映樣本與類間中心的距離關系而且能夠反映樣本類間距與類內距的大小關系。
　　針對DLPP無法充分利用圖像信息及相似性度量問題，DLMPP利用各類樣本計算出每類樣本的類中值，有效地保留了圖像信息，同時設計了一種不同的相似性度量機制，以易于保持受噪聲影響較小的類內樣本之間的鄰域關系，從而進一步加強識別效果的魯棒性。
　　(3)針對大多數(shù)流形學習算法構圖時面臨的參數(shù)選擇問題，提出了一種無參數(shù)的構圖策略。該策略能夠自適應地獲取樣本的近

5、鄰點并利用余弦距離配置相應的邊權，在整個圖構造過程不依賴任何參數(shù)，使得整個圖學習過程相較于傳統(tǒng)的k-近鄰圖更加高效、簡潔。結合該策略與局部保持投影(LPP)算法，提出了一種無參數(shù)的局部保持投影(PLPP)算法。另外，考慮到樣本的類別信息在分類工作中的促進作用，通過在PLPP的目標函數(shù)中引入樣本的類別標簽，提出了監(jiān)督的PLPP(SPLPP)算法。
　　(4)針對邊界Fisher分析(MFA)算法在構造內蘊圖與懲罰圖時面臨的近鄰參數(shù)選