人臉特征抽取及分類器設(shè)計研究.pdf

1、人臉識別技術(shù)是模式識別和機器學習領(lǐng)域中的重要研究課題，一直為國際機器學習界所廣泛關(guān)注。近年來，隨著自動人臉識別系統(tǒng)在商業(yè)和安全等領(lǐng)域的廣泛應(yīng)用，人臉識別技術(shù)逐漸為人們所熟知。其主要研究問題可描述為：對于給定場景的靜止或視頻圖像，如何利用已存儲的人臉數(shù)據(jù)庫確認場景中一個或多個人。特征抽取和分類器設(shè)計是人臉識別技術(shù)中的兩個重要組成部分。如何提取更加有用的人臉特征及設(shè)計性能優(yōu)良的分類器一直是人臉識別技術(shù)所追求的目標。本文對這兩個方面問題深入的

2、進行了研究和探討，所提出的特征抽取方法和分類器算法在人臉識別方面得到了較成功的應(yīng)用。
　　 主要研究工作和成果如下：
　　 1.針對線性鑒別分析(Linear Discriminant Analysis，LDA)對樣本點局部結(jié)構(gòu)特性欠考慮問題，提出一種改進的學習算法。該算法將流形學習算法的局部思想融入Fisher鑒別準則，從而在保持樣本間局部結(jié)構(gòu)特性的同時，提取出最佳的人臉鑒別特征。具體來講，該算法首先利用樣本間的近鄰關(guān)

3、系和類別標簽信息將所有樣本點分屬于多個近鄰類和非近鄰類；然后，引入局部均值的思想，對每個樣本點所對應(yīng)的近鄰類和非近鄰類，定義其類內(nèi)散布和類間散布；最后，通過最大化總體類間散布與總體類內(nèi)散布之比，使得同一個類別且互相鄰近的樣本點在投影空間中盡可能的靠近，而相互鄰近的類彼此遠離。ORL和FERET標準人臉庫上的實驗結(jié)果證實了所提出算法的有效性。
　　 2.結(jié)合半監(jiān)督分類算法和流形學習算法，提出一種新的半監(jiān)督降維算法。該算法首先利用自

4、訓練分類算法，在少量的有標記樣本點的指導下，確定大量存在的無標記樣本點的類別標簽，從而實現(xiàn)了樣本間聚類的目的；隨后，流形學習算法被用來對樣本數(shù)據(jù)進行降維，以便在保持樣本局部結(jié)構(gòu)特性的同時，更好的抽取出樣本的鑒別特征。具體來講，該算法首先通過自訓練學習來對未標記樣本點進行標記，并在每次迭代前借助切邊權(quán)重統(tǒng)計(cut edge weight statistic)方法來對自標記(self-labeled)樣本集進行修正，從而將錯分類的未標記樣

5、本點移除以減少噪聲的影響；然后，對自訓練學習所得的訓練樣本集采用流形學習算法進行維數(shù)約簡：即根據(jù)所確定的未標記樣本點的類別標簽以及樣本間的相似度，對各個樣本點所構(gòu)成的近鄰圖的邊賦予不同的權(quán)重，從而使得“同一類別(包括未標記樣本點)”鄰近的樣本點盡可能靠近，而“不同類別(包括未標記樣本點)”鄰近的樣本點盡可能遠離。ORL和AR標準人臉庫上的實驗結(jié)果驗證了所提出算法的有效性。
　　 3.提出一種快速的基于稀疏表示的分類器算法。該算法

6、主要針對基于稀疏表示的分類器(SRC)在計算復(fù)雜度上的問題，引入了鄰近類的思想，從而節(jié)省了非鄰近類樣本點用于計算測試樣本點稀疏表示的時間，達到縮減算法計算復(fù)雜度的目的。具體來說，對于每個測試樣本點，該算法首先求出其可能歸屬的類別；而后，利用該測試樣點可能歸屬類的樣本數(shù)據(jù)而并非所有的訓練樣本來對其進行稀疏表示計算。ORL和FERET標準人臉庫上的實驗結(jié)果表明改進算法不僅能較大程度的縮減算法的計算復(fù)雜度，而且排除了干擾類的影響，從而在某種程