基于流形學(xué)習(xí)和協(xié)同表示的人臉識別算法研究.pdf

1、人臉識別具有大量的應(yīng)用領(lǐng)域，包括安防、個人身份驗證、互聯(lián)網(wǎng)通信和電腦娛樂等。它作為一種主要的生物特征識別技術(shù)，變得越來越重要，在公共安全和國家安全等眾多領(lǐng)域有著重大的應(yīng)用價值。與其他生物特征識別方法相比，人臉識別擁有自然、友好和方便等優(yōu)點，受到越來越多的研究者們的關(guān)注，并取得了大量的研究成果。但是，由于人臉結(jié)構(gòu)的可塑多變性、人臉受到光照的影響以及人臉可能受到遮擋等原因，這使得人臉識別極具挑戰(zhàn)性，值得繼續(xù)深入研究。
　　特征提取和特

2、征降維是人臉識別中的兩個關(guān)鍵步驟，如何有效地提取人臉特征是人臉識別的關(guān)鍵問題之一。目前，在人臉處于遮擋情況下，人臉識別效果還不夠理想，要開發(fā)出具有魯棒性和實時性的人臉識別系統(tǒng)需要解決好多的問題?，F(xiàn)在的人臉識別通常需要每人多個訓(xùn)練樣本才能獲得較好的效果，但是在許多特定場所中只能獲取一人一幅圖像可以用來訓(xùn)練，而單訓(xùn)練樣本的人臉識別效果不理想，如何解決單訓(xùn)練樣本的人臉識別成為現(xiàn)實的問題。本文對人臉識別中的這些現(xiàn)實問題進行了深入的研究，并提出若

3、干的人臉識別新算法。本文主要內(nèi)容和貢獻如下：
　　1.提出了基于黎曼流形學(xué)習(xí)的人臉識別算法。等距映射（ISOMAP）只能應(yīng)用于內(nèi)在的平坦流形，局部線性嵌入（LLE）不能反映流形的全局結(jié)構(gòu)。在任一點都定義有黎曼度量張量的微分流形稱為黎曼流形，黎曼流形學(xué)習(xí)（RML）的基本思想是用低維空間的黎曼法坐標來表示高維流形中的點，實現(xiàn)維數(shù)約減的目的。實驗結(jié)果表明，RML的識別率高于ISOMAP和LLE。
　　2．提出了融合局部二值模式和保

4、局投影的人臉識別算法。保局投影（LPP）是一種線性流形學(xué)習(xí)的降維算法，是對非線性的拉普拉斯特征映射（LE）的線性近似。LPP構(gòu)建近鄰圖來對人臉空間的流形結(jié)構(gòu)進行建模，然后尋找一組基圖像。LPP是對人臉流形上拉普拉斯-貝特拉米算子特征函數(shù)的最優(yōu)線性近似，反映人臉空間的本征流形結(jié)構(gòu)，而且擁有清晰的變換矩陣，因此，LPP很適合于人臉識別。但是單純地用 LPP進行人臉識別，識別率并不高。局部二值模式（LBP）是一種灰度范圍內(nèi)的紋理描述方式，能有

5、效地提取人臉局部結(jié)構(gòu)的紋理特征，非常適合用于人臉特征描述和識別。本文將LBP和LPP相結(jié)合，提出了融合LBP和LPP的人臉識別算法，記為LBP-LPP，首先利用統(tǒng)一模式的LBP算子提取人臉特征，然后用 LPP對人臉特征向量進行降維，最后用最近鄰分類法進行分類和識別，可以獲得很高的識別率。實驗結(jié)果表明LBP-LPP的性能要比其他大部分算法要好。
　　3．研究了融合Log-Gabor小波和判別保局投影的人臉識別算法。對于人臉識別來說，

6、特征提取很重要。Gabor小波和Log-Gabor小波都是有效的人臉特征提取方法，但是Gabor小波存在缺點，而Log-Gabor小波恰好能彌補Gabor小波的缺點，表明 Log-Gabor小波比 Gabor小波更適合提取人臉特征。本文將 Log-Gabor小波和判別保局投影（DLPP）相結(jié)合，提出了融合Log-Gabor小波和DLPP的人臉識別算法，記為 LGDLPP。LGDLPP首先利用 Log-Gabor小波提取人臉特征，然后用D

7、LPP對人臉特征向量進行降維，最后用余弦相似分類器進行分類和識別，可以獲得很高的識別率。實驗結(jié)果表明LGDLPP的性能要比其他算法要好。
　　4．研究了魯棒協(xié)同表示在人臉識別中的應(yīng)用?；谙∈璞硎镜姆诸悾⊿RC）和魯棒稀疏編碼（RSC）都成功地用于魯棒的人臉識別，對受遮擋的人臉識別都具有很強的魯棒性，但是計算復(fù)雜度很高。研究發(fā)現(xiàn)是協(xié)同表示而不是l1范數(shù)約束使SRC適用于人臉識別，本文提出了基于魯棒協(xié)同表示（RCR）的人臉識別算法。

8、與RSC相似，用迭代重加權(quán)協(xié)同表示算法來解決RCR模型。RCR擁有RSC相似的識別率，但計算復(fù)雜度低很多。RCR和其他算法在AR和Extended Yale B人臉庫上進行了實驗比較，實驗結(jié)果表明RCR的性能比其他算法要好。
　　5．人臉識別需要每人多個訓(xùn)練樣本才能獲得較好的效果，但是在許多特定場所中只能獲取一人一幅圖像可以用來訓(xùn)練，針對于單訓(xùn)練樣本人臉識別問題，基于協(xié)同表示的分類（CRC）的算法復(fù)雜度比擴展的基于稀疏表示的分類（

9、ESRC）低，而CRC的識別率比ESRC低。結(jié)合兩者的優(yōu)點，本文提出了擴展的基于協(xié)同表示的分類（ECRC）用于單訓(xùn)練樣本人臉識別，ECRC的基本思想是：某對象的人臉的類內(nèi)變化可以近似表示成其他對象的人臉的類內(nèi)變化的線性組合，和構(gòu)造一個輔助類內(nèi)變化字典來表示訓(xùn)練圖像和測試圖像的變化。實驗結(jié)果表明，與CRC和ESRC相比，ECRC擁有高的識別率和低的算法復(fù)雜度。在ECRC的基礎(chǔ)上，本文又提出了融合Gabor小波和ECRC（GECRC）的單訓(xùn)