保局子空间人脸特征提取及识别方法研究

论文摘要

随着国防安全和社会公共安全需求的不断增长,人脸识别的研究受到了极大的重视。目前,人脸识别的重点是对算法有效性的研究。尽管主成分分析(PCA)和线性鉴别分析(LDA)等子空间方法在人脸识别中已经取得了极大的成功,但是研究表明人脸样本很可能是分布在一个嵌入到高维图像空间的低维非线性子流形上的。在这种情况下,PCA和LDA等在样本分布服从欧几里德几何结构时有效的子空间方法可能会由于无法准确地描述样本的流形结构而失效。相对PCA和LDA,保局投影(LPP)作为拉普拉斯特征映射的一种线性逼近可以较好的反映样本的流形结构,已经被广泛的应用到图像检索和图像修复中。然而,作为一种无监督的子空间学习方法,LPP的分类能力较弱,并不是最有效的人脸识别方法。另外,人脸识别是典型的高维小样本问题,在小的样本集上训练得到的子空间分类器往往是有偏的且分类结果不稳定。本论文以保局投影为基础,结合子空间鉴别分析和随机子空间方法、Bagging算法等分类器融合方法对保局子空间人脸特征提取及识别方法进行了深入的研究。论文主要进行了以下4个方面的创新性研究工作:①结合随机子空间方法和保局投影算法,提出了随机采样子空间保局投影人脸识别算法(RSSLPP)。该算法按照一定的策略对由主成分分析得到的主元子空间进行多次随机采样并在获得的多个随机采样子空间中分别进行保局投影,然后融合多个随机采样子空间中保局投影算法的识别结果,有效地解决了单一的无监督保局投影算法分类能力弱的缺点。②为了提取比LPP更具鉴别能力的特征,首次提出了零空间鉴别保局投影人脸识别算法(NDLPP)。该算法通过在保局类内散布的零空间内最大化修改了的Fisher准则函数提取人脸鉴别特征,有效地利用了保局类内散布零空间内最具鉴别能力的信息。③为了克服NDLPP算法保局类内散布零空间内的鉴别信息由于样本数增多而逐步减少的问题,结合Bagging分类器融合算法和零空间保局鉴别分析(NLPDA)方法,提出了零空间保局鉴别分析的Bagging融合方法(BagNLPDA)。该方法利用Bagging算法的自举技术对训练样本进行重采样,形成了一组新的训练样本子集,然后在每个子集上分别进行零空间保局鉴别分析。BagNLPDA方法既避免了NDLPP算法保局类内散布零空间内的鉴别信息由于样本数增多而逐步减少的问题,又结合了Bagging分类器融合的特点,充分的多次使用了保局类内散布零空间内的鉴别信息,可以有效地克服在人脸样本集上训练得到的单一零空间保局鉴别分类器有偏且变化较大的缺点,增强分类结果的稳定性。④为了解决DLPP算法和NDLPP算法均无法有效利用保局子空间内的所有鉴别信息的问题,提出了完备鉴别保局投影人脸识别算法(CDLPP)。该算法分别提取了保局类内散布主元空间和零空间内的规则鉴别特征和不规则鉴别特征,通过特征层融合的手段形成新的鉴别特征,使保局子空间内的所有鉴别信息得以充分利用。通过在ORL、FERET、Yale、PIE等国际通用的人脸图像库上的大量人脸识别实验证实:本论文中提出的4种保局子空间人脸识别算法的识别性能均优于Eigenfaces、Fisherfaces、保局投影以及鉴别保局投影等常用的子空间分析方法,是几种有效的保局子空间人脸识别算法。此外,通过对4种算法的横向比较发现,Bagging、随机子空间等分类器融合算法可以有效地提高保局子空间人脸识别的精度,增强算法的稳定性。

论文目录

• 中文摘要
• 英文摘要
• 1 绪论
• 1.1 引言
• 1.2 人脸识别的研究意义
• 1.3 人脸识别的主要内容和技术困难
• 1.4 人脸识别的研究现状
• 1.4.1 基于几何特征的人脸识别
• 1.4.2 基于子空间分析的人脸识别
• 1.4.3 基于弹性图匹配的人脸识别
• 1.4.4 基于三维模型的人脸识别
• 1.4.5 国内人脸识别研究现状
• 1.4.6 小结
• 1.5 论文的主要工作和创新点
• 1.6 论文的章节安排
• 2 随机采样子空间保局投影人脸识别
• 2.1 引言
• 2.2 主成分分析
• 2.3 线性鉴别分析
• 2.4 保局投影
• 2.4.1 保局投影的基本原理
• 2.4.2 保局投影算法
• 2.4.3 LPP 算法保局特性的验证
• 2.4.4 LPP 与PCA、LDA 的关系
• 2.5 随机子空间方法
• 2.6 随机采样子空间保局投影
• 2.7 实验结果与分析
• 2.7.1 RSSLPP 算法参数选择
• 2.7.2 RSSLPP 算法分类识别性能
• 2.7.3 分类识别性能比较
• 2.8 本章小结
• 3 保局鉴别分析人脸识别方法
• 3.1 引言
• 3.2 鉴别保局投影
• 3.2.1 人脸差分模型
• 3.2.2 DLPP 算法
• 3.3 局部敏感鉴别分析
• 3.4 零空间鉴别保局投影
• 3.5 实验结果与分析
• 3.5.1 实验一：人造数据实验
• 3.5.2 实验二：人脸数据库实验
• 3.5.3 实验分析
• 3.6 本章小结
• 4 零空间保局鉴别分析 Bagging 融合方法
• 4.1 引言
• 4.2 基于 Bagging 的分类器融合
• 4.3 零空间保局鉴别分析
• 4.4 零空间保局鉴别分析的 Bagging 融合
• 4.5 实验结果与分析
• 4.5.1 NLPDA、DLPP 和Fisherfaces 方法的性能比较
• 4.5.2 BagNLPDA 的人脸识别性能
• 4.5.3 BagNLPDA 方法和NLPDA、DLPP、Fisherfaces 方法的性能比较
• 4.6 本章小结
• 5 完备鉴别保局投影人脸识别方法
• 5.1 引言
• 5.2 保局子空间中鉴别信息的分布
• 5.2.1 Fukunaga-Koontz 变换
• 5.2.2 保局子空间的划分
• 5.2.3 各子空间鉴别信息的分布
• 5.3 完备鉴别保局投影
• 5.3.1 两种鉴别特征的提取
• 5.3.2 鉴别特征的融合
• 5.3.3 基于CDLPP 的人脸识别算法
• 5.4 实验结果及分析
• 5.4.1 CDLPP 算法保局参数选择
• 5.4.2 CDLPP 算法识别精度与特征维度的关系
• 5.4.3 人脸识别性能比较实验
• 5.5 本章小结
• 6 全文总结及展望
• 6.1 全文工作总结
• 6.2 工作展望
• 致谢
• 参考文献
• 附录
• A. 作者在攻读博士学位期间已发表或已录用的论文目录
• B. 作者在攻读博士学位期间取得的科研成果目录
• C. 作者在攻读博士学位期间参加的科研项目目录