论文部分内容阅读
人脸识别是目前模式识别中研究的热点，广泛应用于智能监控、公共安防、人机交互等领域。近几年，稀疏表示技术被应用于人脸识别中并取得了良好的分类效果。稀疏保留投影（SPP）是在稀疏表示的基础上发展起来的一种有效的人脸识别方法。稀疏保留投影的目标是找到一个能保持样本全局稀疏重构关系的低维空间，然而稀疏保留投影考虑的是样本的全局重构关系，在实际中，样本往往处于高维空间的流形结构中。因此，本文将稀疏保留投影与流形学习方法结合，做出以下工作： 首先，本文提出基于流形学习的统计不相关稀疏保留投影方法（MLUSPP）。该方法的思想是将稀疏保留投影与流形学习的方法结合，使投影后的低维数据在保留稀疏重构关系的同时也保留了样本的流形结构，同时，考虑到鉴别特征的冗余信息，本文引入不相关约束条件，去除冗余信息。 其次，基于流形学习的统计不相关稀疏保留投影(MLUSPP)是一种无监督的学习方法，有监督的学习方法能够利用样本的类别信息提高识别性能。因此，本文将MLUSPP引入到有监督的学习框架下，提出了基于流形学习的统计不相关稀疏保留鉴别分析（MLUSDA）。该方法的思路是将样本的类别信息引入到流形学习中的近邻结构图的构造中，在保留稀疏重构关系的同时进一步增强保持流形结构的保持能力，改善识别性能。 最后，当样本在原空间线性不可分时，为了进一步增强MLUSPP和MLUSDA的分类能力，我们将MLUSPP和MLUSDA进行核扩展，提出了基于流形学习的核统计不相关稀疏保留投影（MLKUSPP）和基于流形学习的核统计不相关稀疏保留鉴别分析（MLKUSDA）。这两种方法在高维核空间中进行MLUSPP和MLUSDA方法过程，提取非线性特征。 实验部分，我们在FERET人脸数据库，AR人脸数据库和CAS-PEAL人脸数据库中将本文的方法与相关方法进行实验对比，实验结果表明本文提出的方法有效地改善了识别效果。