面向人臉識別的子空間分析和分類方法研究.pdf

1、人臉識別作為生物特征識別中最自然最直接的手段，受到越來越多的研究和產(chǎn)業(yè)關(guān)注。如何有效的從人臉圖像中提取鑒別特征是人臉識別需要解決的關(guān)鍵問題。在眾多特征提取技術(shù)中，子空間分析方法因其實施性好、有效性高等特點，成為人臉圖像特征提取和識別的主流方法之一。本文針對子空間方法在人臉識別應(yīng)用中的高維計算代價問題、約束問題、單樣本問題和分類機制設(shè)計問題等，進行了若干具體子空間方法分支的理論和應(yīng)用研究，主要完成以下工作：
　　 ①提出了主成分分

2、析變換空間上的鑒別共同向量算法(PCA+DCV)．該方法通過在主成分分析變換空間上實施兩次Gram—Schmidt正交化過程進行最優(yōu)求解。在保留原算法數(shù)值穩(wěn)定性高的優(yōu)點的同時，利用主成分分析變換空間的低維特性降低了算法復(fù)雜度，提高了求解速度，更適合高維人臉樣本分析計算應(yīng)用。
　　 ②基于本文PCA+DCV算法中的主成分分析過程，進一步提出了依據(jù)主成分對應(yīng)特征值進行權(quán)重處理的鑒別共同向量識別算法(WPCA+DCV)。該算法把對樣本

3、主成分的權(quán)重預(yù)處理工作融合在最優(yōu)投影矩陣的求解工作中，弱化了受光照等條件影響嚴(yán)重的主成分的判決作用。實驗結(jié)果證明該方法提升了基于鑒別共同向量實現(xiàn)的人臉辨識的效果。
　　 ③提出了一種在非負矩陣分解框架下傳統(tǒng)子空間方法的統(tǒng)一形式和收斂算法。在該統(tǒng)一形式下，進行了主成分分析、Fisher線性判別和局部鄰域保持投影方法思想的非負約束實現(xiàn)，完成了“非減性、加合性”的基學(xué)習(xí)，跳出了一般子空間基線性組合時常見的正負抵消的產(chǎn)生模式的局限。該方

4、法可為多種子空間學(xué)習(xí)算法提供更好的視覺和心理解釋性，反映人類思維中“局部構(gòu)成整體”的概念。
　　 ④面向單樣本人臉識別任務(wù)，提出了基于光流檢測權(quán)重的模塊二維主成分分析方法。針對一般子空間方法面對單樣本情況性能退化明顯的問題，本文利用模塊二維主成分分析的特性，在實現(xiàn)保留樣本局部信息、更穩(wěn)定估計數(shù)據(jù)協(xié)方差矩陣的基礎(chǔ)上，提出了利用光流度量人臉圖像之間的直觀區(qū)域差別，并通過權(quán)重方法將其作為先驗知識定量地引入子空間鑒別過程的思想方法。實驗

5、結(jié)果驗證了該方法在解決單樣本問題時，相對于一般子空間方法在識別正確率及穩(wěn)定性方面具有顯著提升。
　　 ⑤建立了一個基于單個二次規(guī)劃問題進行各類樣本整體優(yōu)化的多類支持向量分類器算法。該算法具有優(yōu)化問題規(guī)模不隨目標(biāo)分類類別數(shù)增長的特性，解決了現(xiàn)有基于整體優(yōu)化的多類分類支持向量機在大規(guī)模樣本學(xué)習(xí)中的算法復(fù)雜度限制問題。相比最近鄰分類方法，該方法可為樣本特征在子空間中提供更好的分類超平面決策，豐富了子空間方法在人臉識別應(yīng)用中的分類決策設(shè)