论文部分内容阅读
人脸聚类和人脸识别是人脸数据分析领域中的关键技术。由于采集的人脸数据容易受光照、姿态、模糊、低分辨率、遮挡等因素的影响，人脸数据往往包含着多种噪声，并由此带来较大的类内差异和类间相似性，给聚类和识别的性能造成了重大影响。 本论文集中于解决人脸数据分析中存在的难点和问题，尝试从算法角度研究解决这些问题的方法。具体来说，对基于自表达的人脸聚类、基于判别字典学习的人脸识别和基于深度学习的人脸识别算法进行改进并提出新的方法，主要贡献点可归纳为以下几点: 基于自表达的人脸聚类。首先在单视角聚类算法中，提出了利用数据间的高阶信息（协同参考信息）来构建相似度矩阵。如果两个数据点在自我表示时，共享的参考样本越集中，越类似，则说明两个数据点间的相似度是越高的，否则，相似度越小。该方法构建的高阶相似度矩阵，鲁棒性较强，在人脸聚类数据库上取得了不错的性能。在多视角聚类算法中，主要的目标是融合多视角的信息，为考虑视角间的补充信息，提出了位置感知的排外约束项，可有效地避免视角间的尺度差异问题。同时，将自表达学习和后续的谱聚类算法融入到一个框架中，在多视角人脸聚类问题上取得了不错的性能。最后，由于每个视角的信息都是片面，不完整的，考虑从这些片面的信息中学习出完整的空间，在完整的空间上构建相似度矩阵，可有效提升聚类算法的性能。 基于判别字典学习的人脸识别。首先是监督的判别字典学习，从理论上完善了基于pair-wise约束算法的收敛性，给出了相关的理论证明。设计的约束项使得同一对人脸在字典表示空间尽可能地接近，而不同人脸对在字典表示空间则尽可能地远。该算法在人脸数据库上取得了不错的性能。为充分地利用无标签数据，提出了半监督字典学习算法，利用分类器对无标签数据进行置信度的判定，选择置信度较高的无标签样本进行再学习，以学习判别的字典，用于人脸识别任务。 基于深度学习的人脸识别。针对现有深度学习的人脸识别常用Softmax损失函数进行训练，但Softmax训练出的人脸特征判别性不强的缺点，提出了软间隔的Softmax函数，使得不同类别之间的人脸特征具有一定的间隔。同时由于单个分类器一般是弱分类器，集成多个弱分类器以构建强分类器，用于人脸识别。 总结而言，本论文主要贡献在于，提出多个人脸数据分析的算法，对现有的工作在理论和算法上提出创新和改进，提升了人脸数据分析的性能。