人脸识别中高维数据特征分析

论文摘要

人脸识别近年来在模式识别领域受到高度关注。作为一种主要的生物识别技术,在金融安全、电子商务与数字娱乐等领域具有广泛的应用前景。经过近半个世纪的发展,在人脸识别研究领域已经取得许多成果,基本实现了特定环境下的准确识别。尽管如此,人脸识别技术要达到完全实用水平,还面临着诸多挑战,因人脸数据维数过高带来的大规模数据存储和计算问题就是其中之一。本文针对人脸识别中的高维数据降维及识别问题展开深入研究,主要研究工作与创新点如下:1)研究了基于典型线性与非线性降维算法的人脸图像高维数据的降维问题。深入分析了不同算法的降维性能;基于剩余残差的维数评价模型,对人脸图像的本征维数进行了讨论;比较了Isomap算法的不同邻域参数k对降维结果的影响,并在ORL、Yale、Feret人脸库上进行对比试验。试验结果表明,非线性降维算法Isomap的降维效果优于典型的线性降维方法PCA。2)研究了基于非线性降维的人脸识别方法。为了解决新样本在训练空间的映射及降维问题,引入了增量式Isomap算法,提出了利用距离保持的增量式（IADP-Isomap）的人脸识别方法,首先对人脸图像应用Isomap,然后采用IADP-Isomap获得新样本的低维特征表示,采用最近邻分类器进行分类。实验结果展示了该方法的可行性。3)探讨了非负矩阵分解（NMF）算法的原理及在人脸识别中的应用。基于NMF的人脸识别方法在人脸图像的光照、姿态与表情改变时性能会大幅下降,针对该问题,本文提出NMF+SDA方法对之改进,首先对人脸图像应用NMF,然后融合线性鉴别分析（LDA）和奇异值分解（SVD）的思想,进行人脸高维数据降维和特征提取。在人脸库上的实验表明,本方法具有较高的识别率。4)基于非线性降维算法,引入模糊数学中矢量隶属函数和隶属度,提出了一种基于模糊隶属函数的三控制要素的多项式模糊拟合算法。利用归一化贴近度可以评价拟合曲线的线性度。将此算法用于人脸识别,实验结果表明具有较好的识别率。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• §1-1 课题研究的背景和意义
• §1-2 国内外研究现状
• §1-3 典型的数据维数约简方法
• §1-4 本文的主要研究内容
• §1-5 论文的组织结构
• §1-6 小结
• 第二章 人脸图像数据的线性降维
• §2-1 数据降维的概念
• §2-2 典型的线性降维方法
• 2-2-1 主成分分析法（PCA）
• 2-2-2 多维尺度分析法（MDS）
• §2-3 基于PCA 的人脸图像的特征分析
• 2-3-1 K—L 变换
• 2-3-2 特征脸方法
• 2-3-3 特征脸方法的特点
• 2-3-4 特征脸的实现
• 2-3-5 有监督的特征脸的实现方法
• §2-4 基于PCA 方法的人脸数据处理实验结果及分析
• §2-5 小结
• 第三章 人脸图像数据的非线性降维
• §3-1 典型的非线性降维算法
• 3-1-1 等距映射法（Isomap）
• 3-1-2 局部线性嵌入法（LLE）
• 3-1-3 拉普拉斯特征映射法（Laplacian eigenmaps）
• 3-1-4 SIE 算法
• 3-1-5 维数约简算法降维结果比较
• §3-2 基于Isomap 算法的人脸图像数据分析
• 3-2-1 非线性维数约简算法的评价方法
• 3-2-2 基于Isomap 算法分析的人脸图像本征维数的确定
• 3-2-3 在人脸图像库上的实验结果
• §3-3 基于IADP-ISOMAP 算法的人脸图像数据特征分析
• 3-3-1 IADP-ISOMAP 算法
• 3-3-2 测地线距离的计算
• 3-3-3 基于距离保持的增量式人脸识别方法
• §3-4 小结
• 第四章 基于非负矩阵分解的人脸图像特征分析
• §4-1 概述
• 4-1-1 NMF 在特征表达方面研究的意义
• 4-1-2 非负矩阵分解的应用
• §4-2 非负矩阵分解算法
• 4-2-1 NMF 算法的基本理论
• 4-2-2 NMF 算法的目标函数
• 4-2-3 NMF 算法的迭代规则
• 4-2-4 基于 NMF 的人脸图像特征分析算法描述
• 4-2-5 实验结果及分析
• §4-3 基于改进NMF 算法的人脸图像数据分析
• 4-3-1 局部非负矩阵分解（lNMF）
• 4-3-2 基于NMF+SDA 的人脸图像特征分析方法
• 4-3-3 实验结果及分析
• §4-4 小结
• 第五章 基于多项式模糊拟合的人脸识别
• §5-1 基于四控制要素的多项式模糊拟合
• §5-2 基于三控制要素的多项式模糊拟合
• §5-3 基于三控制要素多项式模糊拟合算法的人脸识别
• 5-3-1 算法描述
• 5-3-2 实验结果
• §5-4 小结
• 第六章 结论
• §6-1 总结
• §6-2 研究工作展望
• 参考文献
• 致谢
• 攻读学位期间所取得的相关科研成果