论文部分内容阅读
自动人脸识别是一个前沿的研究课题,受到社会各界越来越多的关注。本文主要研究了人脸识别中的流形算法、判别算法、姿态估计和特征层融合问题。本文的主要成果如下:1)在LLE的基础上添加了两个约束,即样本由同类样本重构误差较小,而由其它类样本重构误差很大,提出了改进算法判别LLE(DLLE)。DLLE利用样本类别有监督地学习映射。在低维空间,DLLE使得不同流形相互分离,同时又保持了流形内部的样本结构。把DLLE用在姿态无关的人脸识别中取得了很好的效果。在实验中,不同人由姿态变化形成的流形在低维空间可以完全分离,同时流形内部的样本按照角度大小依次排列。2)总结了LDA方法和它的一些变种及其存在的问题,提出了三种新的LDA变种CCLDA、SC-LDA和SFisherface,它们都可以缓解LDA训练过程中的过学习问题。在识别中,采用相关性度量通常能比L2距离取得更好的效果。受到这个现象启发,CCLDA在提出目标函数的过程中加入了相关性约束,目的是使最终的投影向量彼此统计无关。在人脸表情实验和掌纹实验中,在相关性度量下,CCLDA取得了最高识别率。镜像对称性是人脸的一个基本特征,SFisherface利用这一特性,首先使用SPCA把训练样本降维到对称子空间,然后利用Fisher线性判别找到最终的判别空间。SC-LDA则把对称性约束直接施加在投影向量中,并反映在了目标函数里。加入镜像对称约束,可以在一定程度上克服识别中如表情、光照和姿态等干扰。在实验中,SFisherface和SC-LDA在上述干扰出现的条件下,识别率比Fisherface有了很大提高。把镜像样本直接加入训练样本是经常使用的方法,在实验中SFisherface和SC-LDA的识别率要高于这种方法,同时在样本数目较多的情况下计算量反而低于Fisherface。3)使用典型相关分析估计人脸姿态。CCA在以前的应用中通常用来估计单一物体的姿态或者做数据可视化。因为人脸是外形很有规律的3D物体,本文使用CCA建立该物体类和姿态空间的关系。由于人脸外观空间的非线性很强,使用核CCA的方法对外观空间核化,最后通过多变量线性回归计算人脸图像的姿态。在角度范围为-60到60度之间,KCCA的估计误差要低于LLE和Isomap这两种流形方法,也低于PCA这种外观空间方法。4)为了克服典型相关分析在特征融合中的不足,本文定义了类内相关性和类间相关性,把类别信息加入到了目标函数中,提出了ECA。与CCA相比,ECA有效地利用了类别信息,保留了CCA中投影向量互不相关的特性,同时使得相关空间中同类相关性最强,不同类相关性最弱。