基于流形學習及其改進方法的人臉識別研究.pdf_第1頁
已閱讀1頁,還剩53頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

1、人臉識別因其自然、非接觸、直觀、便捷等優(yōu)點而倍受關注,是當今極具研究價值和發(fā)展?jié)摿Φ囊婚T生物特征識別技術,也是目前模式識別和人工智能領域的熱點研究課題之一。因此對人臉識別技術進行研究具有重要的理論意義和應用價值。
  如何有效地從人臉圖像中提取出具有鑒別力的特征,是實現(xiàn)人臉識別的關鍵性問題。研究表明,人臉在某種意義上屬于一種流形結構,人臉數(shù)據(jù)集可以看作是由某些內在變量控制形成的非線性流形?;谧涌臻g流形學習的人臉特征提取方法引起了

2、人們的廣泛關注。本文首先介紹了經(jīng)典的流形學習算法,然后針對經(jīng)典流形學習算法存在的問題,如流形結構中歐式距離的局限性、未考慮人臉樣本類別信息和人臉數(shù)據(jù)可能呈現(xiàn)多流形分布結構等,對流形學習方法進行完善和擴展。最后通過在開放的人臉數(shù)據(jù)庫上的仿真實驗對本文所提算法的有效性進行了驗證。
  本文的主要工作可概述如下:
  ①在局部保持投影(Locality Preserving Projections,LPP)算法中,對人臉流形中數(shù)據(jù)

3、的近鄰結構僅采用歐式距離度量會產(chǎn)生虛假的近鄰關系。此外,LPP以局部合并的方式來重構人臉數(shù)據(jù)的整體內在特性,無法較好地體現(xiàn)不同類數(shù)據(jù)間的分布差異。針對這些問題,本文提出了一種融合相關系數(shù)的局部保持投影算法(Correlation Coefficient Fused with LPP Algorithm,CCLPP),將數(shù)據(jù)類別信息以相關性方式引入到算法中,采用相關系數(shù)融合歐式距離的方式來構造和評價鄰域圖。CCLPP方法能很好的揭示人臉數(shù)

4、據(jù)集的真實內蘊局部幾何結構以及數(shù)據(jù)整體分布特性,在保持數(shù)據(jù)集鄰域結構的基礎上,擴大了不同類數(shù)據(jù)間的間距,進而改善數(shù)據(jù)樣本的虛假近鄰,新方法展現(xiàn)了良好的鑒別特性。
 ?、诂F(xiàn)有的流形學習方法均是基于單流形假設的,即認為所有的樣本數(shù)據(jù)均分布在一個統(tǒng)一的低維嵌入流形上。相關研究表明,人臉數(shù)據(jù)可能呈現(xiàn)多流形分布,不同類別的人臉數(shù)據(jù)位于不同的流形上。若將位于多流形上的人臉數(shù)據(jù)在一個單一的空間上進行描述會影響對數(shù)據(jù)真實幾何結構的估計。本文研究了

5、多人臉流形分類框架,提出多鄰域保持嵌入(Multiple Neighborhood Preserving Embedding,M-NPE)算法,將不同類別的人臉數(shù)據(jù)刻畫在不同的低維流形上,且認為各類數(shù)據(jù)具有不盡相同的本質特征和維數(shù)。M-NPE算法首先通過 NPE分別學習每類人臉數(shù)據(jù)的低維流形,然后采用遺傳算法得到多個流形在分類意義下最優(yōu)的一組維數(shù),最后選用基于最小重構誤差的分類器在多流形上對新人臉樣本進行分類。在Extended Yal

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論