基于流形學習及其改進方法的人臉識別研究.pdf

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