论文部分内容阅读
原始人脸图像冗余信息较多,如何舍弃这些信息,提取出最具判别性的特征,并能有效地、准确地、实时地识别目标人脸,是人脸识别的关键所在。本文以研究如何提取有效的人脸判别信息为根本目标,着重研究和分析了人脸识别领域子空间方法。尽管子空间方法可以很好地揭示数据的子流形结构,但其自身也存在很多的缺陷,为此研究人员对其进行了研究和发展。本文深入研究和分析了已有人脸识别子空间方法的优缺点,并提出了相应的解决方案,主要包括以下两个方案:1)针对邻域保持嵌入(Neighborhood preserving embedding, NPE)算法直接使用样本的K近邻重构该样本,并未区分同类近邻与异类近邻的重要性,导致其识别效果不佳,本文提出一种基于公共向量的模糊邻域保持嵌入(Fuzzy neighborhoodpreserving embedding based on common vector, FNPE/CV)算法。首先根据样本的K近邻的类别信息求出每个样本对每个类别的隶属度,然后使用公共向量和隶属度来重构每个样本,并最小化原始样本与重构样本的残差,最后将该问题转化为求解相应的广义特征值问题以获得最终的投影变换矩阵。该算法尽可能地减少了投影后同类样本的差异性,较好地分离了异类样本。在ORL、Yale、AR和PIEC29人脸数据库上的相关实验验证了算法的有效性。2)局部保持投影(Locality preserving projections, LPP)与NPE是两种能较好地保持数据局部几何结构的有效算法,然而过度强调局部几何特征往往会导致数据的全局几何特征不能得到较好的保持。非监督性是LPP与NPE的另一个重大缺陷,使得它们的分类识别效果并不理想。针对这些缺陷,提出一种基于相关系数的判别保持嵌入(Discriminant preserving embedding, DPE)算法,通过最小化类内相似离散度以及最小化修正的类内线性重构残差同时最大化类间线性重构残差来获取算法的判别子空间,投影后的特征既能有效地保持数据的局部几何属性,又能较好地保持数据的全局几何结构。在ORL、Yale、YaleB、PIE四个人脸库上的大量实验结果验证了算法的有效性与优越性。