基于流形學(xué)習(xí)和協(xié)同表示的人臉識(shí)別算法研究.pdf

1、人臉識(shí)別具有大量的應(yīng)用領(lǐng)域，包括安防、個(gè)人身份驗(yàn)證、互聯(lián)網(wǎng)通信和電腦娛樂(lè)等。它作為一種主要的生物特征識(shí)別技術(shù)，變得越來(lái)越重要，在公共安全和國(guó)家安全等眾多領(lǐng)域有著重大的應(yīng)用價(jià)值。與其他生物特征識(shí)別方法相比，人臉識(shí)別擁有自然、友好和方便等優(yōu)點(diǎn)，受到越來(lái)越多的研究者們的關(guān)注，并取得了大量的研究成果。但是，由于人臉結(jié)構(gòu)的可塑多變性、人臉受到光照的影響以及人臉可能受到遮擋等原因，這使得人臉識(shí)別極具挑戰(zhàn)性，值得繼續(xù)深入研究。
　　特征提取和特

2、征降維是人臉識(shí)別中的兩個(gè)關(guān)鍵步驟，如何有效地提取人臉特征是人臉識(shí)別的關(guān)鍵問(wèn)題之一。目前，在人臉處于遮擋情況下，人臉識(shí)別效果還不夠理想，要開(kāi)發(fā)出具有魯棒性和實(shí)時(shí)性的人臉識(shí)別系統(tǒng)需要解決好多的問(wèn)題?，F(xiàn)在的人臉識(shí)別通常需要每人多個(gè)訓(xùn)練樣本才能獲得較好的效果，但是在許多特定場(chǎng)所中只能獲取一人一幅圖像可以用來(lái)訓(xùn)練，而單訓(xùn)練樣本的人臉識(shí)別效果不理想，如何解決單訓(xùn)練樣本的人臉識(shí)別成為現(xiàn)實(shí)的問(wèn)題。本文對(duì)人臉識(shí)別中的這些現(xiàn)實(shí)問(wèn)題進(jìn)行了深入的研究，并提出若

3、干的人臉識(shí)別新算法。本文主要內(nèi)容和貢獻(xiàn)如下：
　　1.提出了基于黎曼流形學(xué)習(xí)的人臉識(shí)別算法。等距映射（ISOMAP）只能應(yīng)用于內(nèi)在的平坦流形，局部線(xiàn)性嵌入（LLE）不能反映流形的全局結(jié)構(gòu)。在任一點(diǎn)都定義有黎曼度量張量的微分流形稱(chēng)為黎曼流形，黎曼流形學(xué)習(xí)（RML）的基本思想是用低維空間的黎曼法坐標(biāo)來(lái)表示高維流形中的點(diǎn)，實(shí)現(xiàn)維數(shù)約減的目的。實(shí)驗(yàn)結(jié)果表明，RML的識(shí)別率高于ISOMAP和LLE。
　　2．提出了融合局部二值模式和保

4、局投影的人臉識(shí)別算法。保局投影（LPP）是一種線(xiàn)性流形學(xué)習(xí)的降維算法，是對(duì)非線(xiàn)性的拉普拉斯特征映射（LE）的線(xiàn)性近似。LPP構(gòu)建近鄰圖來(lái)對(duì)人臉空間的流形結(jié)構(gòu)進(jìn)行建模，然后尋找一組基圖像。LPP是對(duì)人臉流形上拉普拉斯-貝特拉米算子特征函數(shù)的最優(yōu)線(xiàn)性近似，反映人臉空間的本征流形結(jié)構(gòu)，而且擁有清晰的變換矩陣，因此，LPP很適合于人臉識(shí)別。但是單純地用 LPP進(jìn)行人臉識(shí)別，識(shí)別率并不高。局部二值模式（LBP）是一種灰度范圍內(nèi)的紋理描述方式，能有

5、效地提取人臉局部結(jié)構(gòu)的紋理特征，非常適合用于人臉特征描述和識(shí)別。本文將LBP和LPP相結(jié)合，提出了融合LBP和LPP的人臉識(shí)別算法，記為L(zhǎng)BP-LPP，首先利用統(tǒng)一模式的LBP算子提取人臉特征，然后用 LPP對(duì)人臉特征向量進(jìn)行降維，最后用最近鄰分類(lèi)法進(jìn)行分類(lèi)和識(shí)別，可以獲得很高的識(shí)別率。實(shí)驗(yàn)結(jié)果表明LBP-LPP的性能要比其他大部分算法要好。
　　3．研究了融合Log-Gabor小波和判別保局投影的人臉識(shí)別算法。對(duì)于人臉識(shí)別來(lái)說(shuō)，

6、特征提取很重要。Gabor小波和Log-Gabor小波都是有效的人臉特征提取方法，但是Gabor小波存在缺點(diǎn)，而Log-Gabor小波恰好能彌補(bǔ)Gabor小波的缺點(diǎn)，表明 Log-Gabor小波比 Gabor小波更適合提取人臉特征。本文將 Log-Gabor小波和判別保局投影（DLPP）相結(jié)合，提出了融合Log-Gabor小波和DLPP的人臉識(shí)別算法，記為 LGDLPP。LGDLPP首先利用 Log-Gabor小波提取人臉特征，然后用D

7、LPP對(duì)人臉特征向量進(jìn)行降維，最后用余弦相似分類(lèi)器進(jìn)行分類(lèi)和識(shí)別，可以獲得很高的識(shí)別率。實(shí)驗(yàn)結(jié)果表明LGDLPP的性能要比其他算法要好。
　　4．研究了魯棒協(xié)同表示在人臉識(shí)別中的應(yīng)用?；谙∈璞硎镜姆诸?lèi)（SRC）和魯棒稀疏編碼（RSC）都成功地用于魯棒的人臉識(shí)別，對(duì)受遮擋的人臉識(shí)別都具有很強(qiáng)的魯棒性，但是計(jì)算復(fù)雜度很高。研究發(fā)現(xiàn)是協(xié)同表示而不是l1范數(shù)約束使SRC適用于人臉識(shí)別，本文提出了基于魯棒協(xié)同表示（RCR）的人臉識(shí)別算法。

8、與RSC相似，用迭代重加權(quán)協(xié)同表示算法來(lái)解決RCR模型。RCR擁有RSC相似的識(shí)別率，但計(jì)算復(fù)雜度低很多。RCR和其他算法在AR和Extended Yale B人臉庫(kù)上進(jìn)行了實(shí)驗(yàn)比較，實(shí)驗(yàn)結(jié)果表明RCR的性能比其他算法要好。
　　5．人臉識(shí)別需要每人多個(gè)訓(xùn)練樣本才能獲得較好的效果，但是在許多特定場(chǎng)所中只能獲取一人一幅圖像可以用來(lái)訓(xùn)練，針對(duì)于單訓(xùn)練樣本人臉識(shí)別問(wèn)題，基于協(xié)同表示的分類(lèi)（CRC）的算法復(fù)雜度比擴(kuò)展的基于稀疏表示的分類(lèi)（

9、ESRC）低，而CRC的識(shí)別率比ESRC低。結(jié)合兩者的優(yōu)點(diǎn)，本文提出了擴(kuò)展的基于協(xié)同表示的分類(lèi)（ECRC）用于單訓(xùn)練樣本人臉識(shí)別，ECRC的基本思想是：某對(duì)象的人臉的類(lèi)內(nèi)變化可以近似表示成其他對(duì)象的人臉的類(lèi)內(nèi)變化的線(xiàn)性組合，和構(gòu)造一個(gè)輔助類(lèi)內(nèi)變化字典來(lái)表示訓(xùn)練圖像和測(cè)試圖像的變化。實(shí)驗(yàn)結(jié)果表明，與CRC和ESRC相比，ECRC擁有高的識(shí)別率和低的算法復(fù)雜度。在ECRC的基礎(chǔ)上，本文又提出了融合Gabor小波和ECRC（GECRC）的單訓(xùn)