基于成分分析增量学习算法的人脸识别研究

论文摘要

人脸识别是当前一个热点研究领域,它作为一种身份验证的技术在信息安全、出入控制等领域有着广泛的应用前景,但同时人脸识别作为一个经典的高维小样本问题,对模式识别算法的性能有着苛刻的要求。目前人脸识别特征提取算法中普遍存在着准确率低、算法复杂度高、鲁棒性差、实时性差、训练速度低等技术瓶颈问题。本文主要针对人脸识别特征提取算法中存在的算法复杂度高、实时性差、识别率低等技术瓶颈问题,提出了基于成分分析（ComponentAnalysis）增量学习算法,并针对该问题进行了深入的研究与探讨。主成分分析（Principal Component Analysis,PCA）是模式识别领域一种重要的方法,现在已被广泛应用于人脸识别算法中,但基于主成分分析的人脸识别系统在应用中面临着一个重要的瓶颈问题:成分分析增量算法的效能问题。本文针对此问题,提出了一种适用于成批增量数据的主成分分析增量学习算法,该算法在传统PCA分解的基础上进行了改进,利用空间投影变换,可以在一个低维空间求解整体PCA,从而降低了求解的复杂度。下一步,对提出的主成分分析增量学习算法进行核化,提出了一种核主成分分析增量学习算法,并在实验中将主成分分析增量学习算法与传统的主成分分析批处理算法、核主成分分析增量学习算法与核主成分分析算法分别进行了性能比较与分析,并在JDL-A人脸数据库上验证了算法的有效性。独立成分分析（Independent Component Analysis,ICA）也是模式识别领域一种重要的方法,也可应用于人脸识别算法当中,用于抽取人脸图像的独立成分特征。本文针对在对系统识别率要求较高,但可以牺牲一定的计算复杂度的应用领域,提出了一种基于独立成分分析的增量学习算法,该算法增量计算一个图像序列向量的主成分,而无需计算协方差矩阵。同时,将得到的主成分转化为最大化信源非高斯性的独立成分。该算法将主成分分析增量学习算法与独立成分分析算法相结合,以实时的方式获得描述一个人脸数据库最主要的独立成分。通过在ORL人脸数据库与UMIST人脸数据库上的模拟仿真实验结果表明,与传统的主成分分析与独立成分分析相结合的批处理算法、主成分分析算法及其Fisherface算法相比较,本算法具有更好的实时性与更高的识别率。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 背景
• 1.2 人脸识别常用方法
• 1.2.1 基于几何特征方法的人脸识别
• 1.2.2 弹性图匹配人脸识别
• 1.2.3 基于子空间学习的方法
• 1.2.4 基于隐马尔可夫模型的人脸识别（HMM）
• 1.2.5 上述方法评析
• 1.2.6 存在的问题
• 1.3 本文研究工作概述
• 1.4 本文的内容安排
• 第二章 主成分分析增量学习算法
• 2.1 主成分分析
• 2.2 主成分分析增量学习算法
• 2.3 主成分分析增量学习算法在人脸识别中的应用
• 2.4 实验结果及分析
• 2.5 本章小结
• 第三章 核主成分分析增量学习算法
• 3.1 核方法
• 3.1.1 核函数
• 3.1.2 核矩阵
• 3.1.3 核函数的基本算法
• 3.1.4 协方差矩阵与核技巧
• 3.1.5 核方法的模块性
• 3.2 核主成分分析
• 3.3 核主成分分析增量学习算法在人脸识别中的应用
• 3.4 实验结果与分析
• 3.5 本章小结
• 第四章 独立成分分析增量学习算法
• 4.1 独立成分分析
• 4.2 独立成分分析的批处理算法
• 4.2.1 成对数据旋转法（Jacobi法）及极大峰度法（MaxKurt法）
• 4.2.2 特征矩阵的联合近似对角化法（JADE法）
• 4.3 独立成分分析的自适应算法
• 4.3.1 常规的随机梯度法
• 4.3.2 自然梯度与相对梯度
• 4.3.3 串行矩阵更新及其自适应算法
• 4.3.4 非线性PCA的自适应算法
• 4.4 独立成分分析增量学习算法在人脸识别中的应用
• 4.4.1 算法介绍
• 4.4.2 算法描述
• 4.5 实验结果与分析
• 4.5.1 基于最近邻算法的人脸识别估计
• 4.5.2 实验结果与分析
• 4.6 本章小结
• 第五章 总结与展望
• 5.1 总结
• 5.2 展望
• 参考文献
• 致谢
• 攻读硕士学位期间发表的论文目录