论文部分内容阅读
人脸识别是生物特征识别领域一个研究热点,近年来受到越来越多研究者的关注。作为一种被广泛使用的生物识别技术,人脸识别在公共安全和日常生活的众多领域有着广阔的应用前景。作为人脸识别技术的关键环节,特征提取是一直以来的重要研究课题。为获得有效的鉴别特征,相继提出了诸多特征提取算法。在众多算法中,流形学习算法以其新的视角,丰富了现有的特征提取方法,具有重要的理论和实用价值。本文在分析和总结现有流形学习算法的基础上,对基于邻域结构的特征提取方法进行了深入研究。归纳起来,本文的研究工作及创新点包括以下几个方面：(1)针对局部保持投影(LPP)存在的诸如忽视样本的类别信息、相似性度量等问题,提出了类属保持投影(CPP)的特征提取方法。CPP既保持了总体样本的局部结构,又通过样本的类别信息重新定义了类内样本间的相似性。样本经投影后,在低维特征空间内,保持了被正确归类且概率较大的类内样本间的邻域关系。(2)针对边界Fisher分析(MFA)存在着无法找到最佳判别边界以实现数据分类的问题,提出了最大边界学习投影(MMLP)的特征提取方法。为了找到最佳的判别边界,MMLP利用数据点与其近邻点的关系构造新的类间散布矩阵和类内散布矩阵。这样在低维特征空间不仅能保持样本的原始分布信息,而且可分离某一邻域范围内的不同样本。(3)针对LPP及其相关改进算法存在着权重常仅能反映样本间的距离关系,而不能直接反映样本对某一类别的依赖程度等问题,采用新的相似性度量机制,用分类概率刻画样本与类中心点间的近邻关系,提出了分类概率保持鉴别分析(CPPDA)的特征提取方法。CPPDA不仅包含样本的近邻信息,而且能够反映样本在k近邻分类器下被正确归类的概率。经过投影后,样本与类内中心点的距离最小,而与类间中心点的距离最大。(4)针对人脸图像由于光照、表情、姿态等变化而导致人脸识别率下降的问题,将线性鉴别分析(LDA)算法、LPP算法与模糊隶属度结合起来,采用模糊k近邻法计算隶属度来刻画样本和类中心点的近邻关系,提出了隶属度保持鉴别分析(MPDA)的特征提取方法。MPDA不仅能很好地反映原始样本数据的近邻信息,而且还能更充分地利用标记样本的监督信息。