论文部分内容阅读
人脸识别以其独特的优势成为当前模式识别和机器学习等领域的一个重要研究课题。高维数的非结构化数据大量出现为计算和分析带来了巨大的挑战,人脸图像作为高维数据范畴的一种,寻求行之有效的维数约简算法成为人脸识别技术中十分重要的环节,也是解决图像识别问题的关键所在。本文重点研究了基于图嵌入的人脸识别算法,详细分析了几种经典的图嵌入算法,并针对其不足之处提出两种新的基于图嵌入的特征提取算法。本文的主要工作和创新成果如下:(1)局部判别嵌入算法寻求最高的正确识别率时假设所有的错误分类具有相同的错分代价,然而这个假设在现实的人脸识别系统中往往是不成立的,因为不同的错误分类将会导致不同的错分代价。为此,提出一种代价敏感的局部判别嵌入算法。首先通过构造代价矩阵将代价敏感理念融入到特征提取阶段,以提高算法判别不同错误分类的能力;然后最大化异类近邻样本点之间的错分代价,同时最小化同类近邻样本点之间的距离;最后利用迭代算法求得最佳的正交投影向量,以更好地维持数据的度量架构。在Yale,ORL,AR和Extended Yale B人脸数据库上的实验结果表明,文中算法是有效的。(2)特征提取算法是人脸识别过程中重要的组成部分,然而提取的特征之间常含有冗余的判别信息。统计不相关特性可消除所提取的判别特征之间的信息冗余,然而许多算法却常常忽略这一特性。本文提出一种新的特征提取算法——局部不相关的局部判别嵌入算法。该算法从三个方面对局部判别嵌入算法进行拓展,首先提出了一种新的局部统计不相关标准,使得更好地获取同类和异类样本点的局部信息;其次通过重新构造本征图和惩罚图对应的邻接矩阵增强判别能力;最后提出一种不同于主成分分析的新的解决“小样本”问题的方法避免了一些判别信息的丢失。在Yale,ORL,Extended Yale B和FERET人脸数据库上的实验结果表明,本文的算法优于局部判别嵌入算法和其他几种代表性的不相关的特征提取算法。