基于局部保留投影的人脸特征提取研究

论文摘要

人脸识别技术是当前模式识别的主要分支之一。人脸是典型的高维数据,如何从这些高维数据中找出事物的本质规律成为迫切需要解决的问题。通常的办法在高维数据中尽可能多的提取有用的特征,然后根据需要对特征进行降维。局部保留投影是一种基于数据局部结构的降维方法,它能够保留数据之间的几何结构和相关性。由于局部保留投影是基于向量表示的降维方法,应用在高维数据集上容易产生“小样本问题”。而人脸数据是典型的高维小样本数据。目前解决该问题的方法是采用Laplacianface方法,即先用传统的主成份分析方法降维,之后再使用局部保留投影降维。但是主成分分析破坏了数据集的几何特征和数据之间的相关性,影响局部保留投影算法的实现。本文分析了局部保留投影算法特征,提出了三个改进方法。并在ORL和AR人脸库上与Laplacianface方法做比较,实验结果证明了改进方法的有效性。本文同时对二维局部保留投影算法(2DLPP)进行研究。2DLPP是局部保留投影的矩阵扩展方法,它不改变局部保留投影的局部保留特性。2DLPP和LPP均是非监督学习方法,他们只考虑到数据局部结构关系而没有利用类的标签信息。本文在2DLPP基础上提出的两个新的方法,分别是2D监督局部保留投影(2DSLPP)和判别的2D监督局部保留投影(2DDSLPP)。2DSLPP可以聚集同类样本。2DDSLPP则最小化类内间距同时最大化类间间距的形式,找出最能区分类的子空间。在论文的实验章节部分,我们给出2DSLPP、2DDSLPP与2D线性判别分析方法(2DLDA)、2D判别局部保留投影(2DDLPP)的比较,AR人脸库和ORL人脸库的实验结果表明, 2DSLPP和2DDSLPP的准确率要明显高于2DSLPP,在这6个方法中,2DDSLPP表现最好。实验证明了我们提出的方法的有效性。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 人脸识别研究背景与意义
• 1.2 人脸识别技术发展历史
• 1.3 人脸识别系统的框架
• 1.3.1 常见的特征提取方法
• 1.3.2 局部保留投影的人脸特征提取方法
• 1.4 本课题来源及主要研究的内容
• 第2章 局部保留投影算法及与PCA和LDA比较
• 2.1 引言
• 2.2 局部保留投影
• 2.2.1 图嵌入框架
• 2.2.2 局部保留投影算法
• 2.3 局部保留投影与LDA和PCA比较
• 2.3.1 主分量分析
• 2.3.2 线性判别分析
• 2.3.3 局部保留投影与PCA和LDA的比较
• 2.4 最近邻分类器
• 2.5 本章小结
• 第3章 局部保留投影在人脸识别的改进
• 3.1 局部保留投影问题分析
• 3.1.1 内存消耗过度
• 3.1.2 特征方程奇异
• 3.2 局部保留投影算法改进方法
• 3.2.1 下采样压缩图像
• 3.2.2 下采样方法介绍
• 3.3 奇异矩阵的处理
• 3.3.1 正则化的局部保留算法
• 3.3.2 等价方程一
• 3.3.3 零特征值特征向量的分析
• 3.3.4 正则化方法和Laplacianface的比较
• 3.4 局部保留投影改进
• 3.4.1 等价特征方程二
• 3.4.2 等价特征方程三
• 3.4.3 改进方法小结
• 3.5 实验结果
• 3.6 本章小结
• 第4章 二维局部保留投影改进方案
• 4.1 二维局部保留投影
• 4.2 二维局部保留投影分析
• 4.3 二维监督的局部保留投影
• 4.4 二维判别监督局部保留算法
• 4.5 2DDSLPP与2DLDA和2DDLPP比较
• 4.5.1 2DLDA
• 4.5.2 2DLDA与2D-DSLPP
• 4.5.3 2DDLPP
• 4.5.4 2DDLPP与2DDSLPP
• 4.6 实验结果和分析
• 4.6.1 ORL人脸库实验结果分析
• 4.6.2 AR人脸库试验结果分析
• 4.7 本章小结
• 结论
• 参考文献
• 致谢