论文部分内容阅读
人脸的自动识别是模式识别和计算机视觉等领域的研究热点之一。然而,人脸图像的特征维数通常情况下都非常高,直接对这些高维数据进行处理,不仅使得计算复杂度非常高,而且会带来“维数灾难”问题。为了解决高维数据所带来的问题,一种有效的方法就是对其进行降维。具体来讲,首先将人脸图像从高维空间映射到低维空间,从而获得能反映原始数据固有特性的低维表示,然后利用降维后的数据进行识别。因此,降维方法的研究对于人脸识别具有重要的现实意义。
稀疏保持映射(Sparsity Preserving Projections,SPP)方法是一种新的线性降维方法,该方法将信号处理和编码等领域近年来出现的稀疏表示理论成功地应用于人脸识别当中,并取得了较好的识别效果。本文对稀疏保持映射方法进行了深入分析研究,针对SPP方法的不足进行了改进。主要研究工作如下:
1.提出了自适应权重子模式稀疏保持映射(Adaptively Weighted Sub-patternSPP,AwSpSPP)方法。稀疏性是影响SPP方法识别性能的关键因素。然而,SPP本质上属于全局方法,故在人脸表情、非均匀光照等局部变化条件下会导致稀疏重构向量不稀疏、不准确,从而影响最终的识别性能。因此,本文首先提出了子模式稀疏保持映射(Sub—pattern SPP,SpSPP)方法,该方法通过将原始图像划分成子图像并组成子训练集,然后在各个子训练集上分别提取局部特征有效地克服了SPP方法的局限性。然而,SpSPP方法也有其不足,它将各个子训练集赋予了同样的重要性,从而易导致信息的冗余和后期分类性能的下降。针对此问题,本文又提出了AwSpSPP方法。该方法利用稀疏性自适应地为人脸的不同部位赋予不同权重,并把此权重作为权值结合到分类器中,以提高人脸识别性能。实验结果表明,AwSpSPP方法有着较高的识别效果且更加鲁棒。
2.提出了监督稀疏保持映射(Supervised SPP,SSPP)方法。该方法将监督的思想与传统的SPP方法相结合,通过利用训练样本的类别标签将稀疏重构权重矩阵显式地划分类内权重矩阵和类间权重矩阵,并赋予两者不同的权重。由于利用了类别信息来指导降维过程,增加了算法的分类性能。基于Yale人脸库和AR人脸库的实验表明SSPP方法具有更好的识别效果。