论文部分内容阅读
人脸识别作为生物特征识别的主流技术之一,是国内外研究和应用的热点。主流的人脸识别技术对光照、姿态等由于非理想采集条件或者用户不配合造成的变化鲁棒性较差。流形学习是近年来机器学习及模式识别等领域的研究热点。人脸从某种意义上来说是一种典型的流形结构,人脸数据集是由某些内在变量控制形成的非线性流形。因此,基于流形学习的人脸识别研究近年来引起了人们的广泛关注,成为该领域的热门研究课题。
本文通过仿真实验,系统分析主流线性和非线性流形学习算法在人脸识别中应用的可行性,优势及存在的问题。针对流形学习在人脸识别应用中的本征维数估计问题、测试数据的out-of-sample问题、无监督学习问题以及人脸识别技术中的光照问题和活体检测问题开展工作,其主要研究工作及创新点包含以下三个部分：⑴提出监督局部线性判别嵌入(Supervised Locally Linear DiscriminantEmbedding,SLLDE)算法,相对于局部线性嵌入算法,该方法有以下三点改进：①SLLDE是局部线性嵌入算法的线性近似,它借鉴线性判别分析的思想,在目标函数中引入了类内散度度量和类间散度度量,使得同类样本点分布尽可能密集,并且不同类的样本点分离,解决了测试数据的out-of-sample问题。②对于局部线性嵌入算法,本征维数是一个需要估计的未知量。针对该问题,本文提出基于局部线性判别分析的最优判别维数估计算法。该方法是基于局部主成分分析方法的改进,对数据的局部子集进行线性判别分析。③原始LLE算法是无监督学习算法,没有利用到样本的标签信息。SLLDE算法结合样本本身的流形结构信息和标签信息调整样本点之间的距离,使用调整后的距离矩阵来实现线性近邻重构。⑵将胡[75]等人提出的基于先验知识的自动白平衡算法,应用于人脸识别光照预处理。光照问题是人脸识别技术的瓶颈,基于图像处理技术的光照预处理方法以其简单有效性在实际应用中得到了广泛的重视。⑶提出一种结合傅立叶频谱分析和眨眼检测的反照片欺骗活体人脸判断方法。在人脸识别应用中,合法用户的人脸图片、视频以及三维模型等常被用于身份伪造,而其中照片是最常见的欺骗方式。在ORL人脸数据库、Yale人脸数据库和IMT人脸数据库上的实验结果验证了本文提出的SLLDE算法,基于自动白平衡的光照预处理方法以及结合傅立叶频谱分析和眨眼检测的反照片欺骗活体人脸判断方法在人脸识别应用中的有效性。