论文部分内容阅读
人脸识别是一个非常复杂的问题,尤其是当人脸图像包含遮挡、光照等因素时,很难找到既具有较好鲁棒性又能获得较高识别精度的单个最优的分类器。由于多分类器的集成往往能获得比单分类器更好的识别性能,因此多分类器的人脸识别方法的设计已成为一个新的研究热点,而随机采样作为构建多分类器的方法之一近年来也得到了广泛的关注。本文考虑了人脸图像的特殊性,以获取对光线、表情、姿态及遮挡等变化鲁棒的识别方法为研究目标,以随机采样技术为方法,结合子图像方法的优势对人脸识别进行了研究,并取得如下成果:
(1)提出了基于子图像的Bagging随机采样的人脸识别方法。由于该方法将对样本的随机采样建立于图像的子图像集上,因此成功地将最近邻分类器应用于Bagging中.该方法主要有以下四点特点:1)避免了小样本问题,从而使得Bagging有效地应用于人脸识别领域:2)可对每个子图像集分别进行分类器的训练,因此可采用并行的计算方式以有效提高算法的运算效率；3)对人脸子图像的划分不依赖于人脸图像的维数,因此当图像样本的维数很大时该方法能有效地降低算法复杂度；4)将Bagghag方法顺利地应用于稳定的最近邻分类器中,有效地扩大了Bagging的应用范围。实验结果表明,基于子图像的Bootstrap随机采样有效地提高了人脸识别方法的识别精度。
(2)从信息融合的角度提出了两种基于典型相关性分析的随机子空间方法(RS_CCA和RS_NmCCA)。随机子空间方法所构建的分量分类器间虽然具有较高的多样性,但由于单个分量分类器的识别效果往往不理想,从而影响了最后的集成效果。提出的方法通过利用两种不同的融合信息来提高分量分类器的精度进而提高整个集成分类器的识别性能。RS_CCA融合了全局特征和局部特征的信息；而RS_NmCCA融合了局部特征之间的信息。大量的实验证明,信息的融合有利于识别性能的提高。
(3)提出了半随机子空间的人脸识别方法(SemiRandomSubspace,Semi-RS).与传统的建立在整个人脸图像空间的随机子空间方法所不同的是,Semi-RS同时结合了随机子空间和子图像方式的优势,将随机采样建立在按一定形式分割好的人脸子图像上.该方法的主要特点之一是不受特征提取方法的限制,可使用PCA、LDA、CCA、LPP、NPE等多种子空间方法或流形方法进行特征提取。大量的实验证明该方法不仅能有效解决人脸识别所面临的小样本问题和对光线、遮挡等一系列的面部因素不鲁棒的问题而且对人脸微小的姿态变化、大小缩放以及单训练样本问题也有一定的优势。
(4)初步地考察了基于二阶张量的随机采样问题。主要针对目前两种基于张量的特征提取方法2DPCA和TensorPCA进行讨论,并分别对不同的信息进行了随机采样。所使用的采样信息包括:对投影向量的采样、对特征的采样及对图像行向量的采样。在ORL、Yale和AR三个数据库上的实验结果表明对于2DPCA而言对图像行向量进行随机采样是非常有效的。