基于半監(jiān)督學(xué)習(xí)的人臉特征抽取方法研究.pdf

1、在人臉識別中，特征抽取是影響識別效果的關(guān)鍵步驟。特征抽取方法的好壞對識別率的高低有著巨大的影響。迄今為止，人臉識別領(lǐng)域的專家學(xué)者們提出了眾多特征抽取方法，經(jīng)典的特征抽取方法往往只能單獨處理不帶有監(jiān)督信息，或者都帶有監(jiān)督信息的樣本數(shù)據(jù)。然而，由于監(jiān)督信息不容易得到，在實際應(yīng)用中樣本數(shù)據(jù)往往是只帶有部分監(jiān)督信息的。因此，用于處理此類數(shù)據(jù)的半監(jiān)督學(xué)習(xí)方法正受到越來越多的關(guān)注。
　　本文以半監(jiān)督學(xué)習(xí)思想為基礎(chǔ)，對人臉特征抽取方法進(jìn)行了相關(guān)

2、研究，主要的研究工作和成果如下:
　　(1)半監(jiān)督學(xué)習(xí)中基于馬氏距離的鄰域選擇算法(Semi-supervised NeighborhoodPreserving Projection Based on Mahalanobis Distance)
　　降維是模式識別中起到關(guān)鍵作用的一個步驟，能否找到一個合適的低維子空間對識別性能的好壞具有重要的影響。近年來，計算機(jī)圖像處理和模式識別領(lǐng)域見證了流形學(xué)習(xí)的快速發(fā)展。在這其中，能夠應(yīng)

3、用部分標(biāo)簽樣本的半監(jiān)督鄰域保持投影(SSNPP)是最有發(fā)展前景的算法之一。在SSNPP中，鄰域的選擇對算法性能起到了關(guān)鍵作用。但是常用的鄰域選擇算法例如k近鄰算法中存在近鄰參數(shù)難以確定等缺陷。因此在本文中，我們通過改進(jìn)算法的兩個方面來提升SSNPP的性能:1）設(shè)計高維數(shù)據(jù)空間中局部鄰域樣本點的自適應(yīng)選擇方法，2）將馬氏距離應(yīng)用于鄰域選擇過程中，并對算法進(jìn)行優(yōu)化。在YALE和ORL兩個標(biāo)準(zhǔn)人臉庫上的實驗驗證了該算法的有效性，在只有少量帶類

4、別信息樣本的情況下，該算法仍能保持良好的分類性能。
　　(2)線性局部切空間排列的傳播半監(jiān)督學(xué)習(xí)方法(Semi-supervised DimensionalityReduction Based on Linear Local Tangent Space Alignment and Label Propagation)
　　在人臉識別中，現(xiàn)有的線性局部切空間排列算法(LLTSA)存在無法利用樣本中的標(biāo)簽信息的問題。本文對現(xiàn)有算

5、法進(jìn)行改進(jìn)，提出了一種線性局部切空間排列的標(biāo)簽傳播半監(jiān)督算法(SSLLTSA)。該算法先使用標(biāo)簽傳播方法，利用帶有部分標(biāo)簽的樣本數(shù)據(jù)得到軟標(biāo)簽，然后由軟標(biāo)簽計算出軟標(biāo)簽散度矩陣，由此描述數(shù)據(jù)集的類間分離性和類內(nèi)緊湊性。SSLLTSA有效地保持了數(shù)據(jù)集的局部結(jié)構(gòu)，很好地利用了標(biāo)簽中的監(jiān)督信息。在YALE和ORL人臉庫中的實驗驗證了SSLLTSA算法的有效性。實驗中，該算法的識別率比傳統(tǒng)算法LLTSA的識別率平均分別提高了3.50％和3.8

6、9％。
　　(3)線性局部切空間排列的成對約束二維學(xué)習(xí)方法(Semi-supervised Two-dimensionalManifold Leaming Based on Pair-wise Constraints)
　　針對無監(jiān)督算法線性局部切空間排列(LLTSA)在處理一維數(shù)據(jù)時計算量過大的問題，提出了一種基于成對約束的半監(jiān)督二維流形學(xué)習(xí)算法(2D-PCLTSA)。該算法利用二維圖像矩陣作為樣本提取圖像特征，并使用成對

7、約束作為監(jiān)督信息。2D-PCLTSA很好地保持了樣本集的特征信息，有效地減小了特征分解時的計算量，并且充分利用了樣本中的監(jiān)督信息。YALE和ORL人臉庫上的實驗中，2D-PCLTSA的識別率比算法LLTSA的識別率平均分別提高了2.85％和6.25％。特別地，在只存有少量約束對的情況下，該算法仍能保持良好的分類性能。
　　(4)核邊界Fisher分析的稀疏半監(jiān)督學(xué)習(xí)方法(Semi-supervised Dimensionality

8、Reduction Based on Kernel Marginal Fisher Analysis and Sparsity Preserving)
　　針對人臉識別應(yīng)用中的邊界Fisher分析難以利用無判別信息樣本的問題，提出了一種核邊界Fisher分析的稀疏半監(jiān)督學(xué)習(xí)方法。該算法首先對現(xiàn)有的樣本進(jìn)行稀疏重構(gòu);然后利用有標(biāo)簽樣本構(gòu)造出類內(nèi)相似圖和類間代價圖，同時利用總體樣本取得全局信息;最后，將算法進(jìn)行非線性化。本文算法同時利