论文部分内容阅读
在人脸识别过程中,人脸检测是人脸识别的前提和基础,人脸检测的结果对人脸识别的精度有直接的影响。人脸检测的主要工作是从静态图像或是视频序列中找出是否存在人脸,确定人脸的位置以及标出人脸的大小,为此可以将人脸检测过程分为:人脸图像的获取、人脸图像的预处理、特征提取和检测是否存在人脸。其中检测人脸是否存在可以看成是一个二分类问题,对于二分类问题,Vapnik等提出的基于单核的学习方法 SVM,在面对大规模样本、数据分布不规则或在高维特征空间分布不平坦时,SVM也存在一定的局限性。为了弥补单核SVM学习的缺陷,Lanckriet等人提出了多核学习(Multiple Kernel Learning,MKL),MKL实质是将核函数按某种规则进行凸组合,即为基本核赋予权系数,最终将问题转化为如何选择基本核函数与权系数的问题。本文的研究工作是基于MKL中计算效率以及分类准确率的问题所展开,利用改进的梯度下降算法求解所提出的JHMKL和OWMKL模型,分别在4个UCI数据库以及3个人脸库中进行实验仿真,验证了其合理性。本文的主要工作:(1)针对MKL中存在计算复杂度高的问题,使用改进梯度下降算法求解原始MKL模型,给出基于改进梯度下降算法的MKL模型算法描述。(2)针对MKL中分类准确率的问题,利用Jaakkla-Haussler和Opper-Winther界建立模型,提出了JHMKL和OWMKL模型,并利用改进的梯度下降算法求解所提出的模型,给出求解JHMKL和OWMKL模型的算法步骤,最后在UCI数据集中进行仿真实验,与SVM和MKL相比,JHMKL和OWMKL算法具有较高的分类正确率,与MKL相比,具有更少的运行时间。(3)针对人脸检测过程中的特征提取环节,在核PCA的基础上使用组合核函数代替原来的单核,从而提出多核的PCA特征提取方法,并将此结果作为后续JHMKL和OWMKL的输入。利用Yale人脸库、ORL人脸库、Caltech 101图像集进行人脸检测仿真实验,与SVM和MKL相比,JHMKL和OWMKL具有更高的平均检测正确率,从而说明所提出模型的合理性以及有效性。