人脸识别中基于流形学习的特征提取方法研究_精品文档Word文件下载.doc
《人脸识别中基于流形学习的特征提取方法研究_精品文档Word文件下载.doc》由会员分享，可在线阅读，更多相关《人脸识别中基于流形学习的特征提取方法研究_精品文档Word文件下载.doc（69页珍藏版）》请在冰豆网上搜索。
密级：
公开
兰州理工大学硕士学位论文
学位申请人姓名：
白万荣
导师姓名及职称：
王燕副教授
培养单位：
计算机与通信学院
专业名称：
计算机应用技术
论文提交日期：
2012年5月21日
论文答辩日期：
2012年5月23日
答辩委员会主席：
MethodsofFeatureExtractionBasedonManifoldLearninginFaceRecognition
by
BAIWanrong
B.E.（HexiUniversity）2009
Athesissubmittedinpartialsatisfactionofthe
Requirementsforthedegreeof
MasterofEngineering
in
ComputerApplicationTechnology
inthe
GraduateSchool
of
LanzhouUniversityofTechnology
Supervisor
AssociateProfessorWANGYan
May,2012
兰州理工大学学位论文原创性声明和使用授权说明
原创性声明
本人郑重声明：
所呈交的论文是本人在导师的指导下独立进行研究所取得的研究成果。
除了文中特别加以标注引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写的成果作品。
对本文的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。
本人完全意识到本声明的法律后果由本人承担。
作者签名：
日期：
年月日
学位论文版权使用授权书
本学位论文作者完全了解学校有关保留、使用学位论文的规定，即：
学校有权保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。
本人授权兰州理工大学可以将本学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。
同时授权中国科学技术信息研究所将本学位论文收录到《中国学位论文全文数据库》，并通过网络向社会公众提供信息服务。
日期：
导师签名：
目录
摘要 I
ABSTRACT II
插图索引 IV
附表索引 V
第1章 绪论 1
1.1人脸识别背景和意义 1
1.2人脸识别的研究现状 1
1.3人脸识别的研究内容 2
1.4人脸特征提取的主要方法 3
1.4.1线性子空间方法 3
1.4.2非线性子空间方法 5
1.5本文主要工作 7
1.6本文内容安排 8
第2章 流形学习 9
2.1引言 9
2.2等距映射 9
2.3局部线性嵌入 11
2.4拉普拉斯特征映射 12
2.5流形学习方法的比较 14
2.6小结 15
第3章 核正交邻域保持判别嵌入算法 16
3.1引言 16
3.2核方法 16
3.3核正交邻域保持判别嵌入 17
3.3.1邻域保持判别嵌入 18
3.3.2Schur正交邻域保持判别嵌入 19
3.3.3核正交邻域保持判别嵌入 20
3.3.4核正交邻域保持判别嵌入算法描述 21
3.4人脸识别实验 21
3.5小结 24
第4章 基于最大散度差的半监督判别分析 25
4.1引言 25
4.2相关算法 25
4.2.1边界Fisher分析 25
4.2.2无监督鉴别投影 26
4.3基于散度差的半监督判别分析 27
4.3.1半监督判别分析 27
4.3.2最大散度差半监督判别分析 28
4.3.3散度差与瑞利商之间的关系 29
4.3.4最大散度差的半监督判别分析算法描述 29
4.4人脸识别实验 30
4.4.1ORL人脸数据库的实验 30
4.4.2YALE人脸数据库的实验 31
4.4.3实验分析 32
4.5小结 32
第5章 自适应邻域选择的张量边界FISHER分析 33
5.1引言 33
5.2张量边界Fisher分析 33
5.3自适应邻域选择的TMFA 35
5.4人脸识别实验 38
5.4.1PIE人脸数据库的实验 38
5.4.2FERET人脸数据库的实验 39
5.4.3实验分析 40
5.5三种算法的比较 40
5.6小结 41
总结与展望 42
研究总结 42
未来工作展望 42
参考文献 44
致谢 48
附录A攻读学位期间所发表的学术论文 49
V
摘要
人脸识别以其自然、直接、非接触、安全等优点发展为最具潜力的生物特征识别技术，它利用人脸面部特征中的有效信息进行个人身份识别。
由于人脸识别在身份验证和识别场合具有巨大的应用价值，以及能促进模式识别等多门学科的发展。
因此，对人脸识别技术的研究具有重大的理论和实际意义。
提取有效的鉴别特征是人脸识别的一个关键因素，它要求在保持人脸数据集原有的本质结构特性不变的同时进行数据维数约减。
研究表明，人脸嵌入在高维空间的低维非线性子流形上，因此使得流形学习得到了广泛关注。
流形学习作为一种非线性的维数约减方法，能够有效地学习出高度非线性、属性强相关的高维流形数据的内在几何结构。
由于样本点外问题使得经典算法很难直接应用于人脸识别中，因此学者通过研究提出了众多改进算法，取得了较好的应用效果。
本文在对基于流形学习的特征提取方法进行深入研究的基础上，主要做了以下工作：
1.在邻域保持判别嵌入的基础上，将核映射的思想进行引入其中，并在特征值求解时以Schur正交方式找出最优投影向量，提出了核正交邻域保持判别嵌入算法，克服了邻域保持判别嵌入难以提取非线性特征的困难，很好地保持了人脸流形的几何结构和判别结构信息。
2.监督算法和无监督算法都不能充分利用有限的训练样本。
因此，本文将无监督判别分析和边界Fisher分析进行结合，改进为半监督算法。
其中，利用无监督判别分析来对大量无标签样本进行学习，而利用边界Fisher分析对少量有标签样本进行学习。
同时，采用最大散度差准则作为目标函数，避免了散度矩阵奇异值的产生，通过理论分析和实验验证了该方法的可行性和有效性。
3.张量边界Fisher分析直接采用图像进行维数约减，避免了传统的方法将图像展开为一维向量的形式，更有效地保持了人脸结构信息。
然而在构建最近邻图时，TMFA采用全局统一的k邻域法来选择近邻点的，对于非均匀流形的处理比较困难。
本文在研究以上算法的基础上，采用测地距离与欧氏距离的关系来动态的选择训练样本近邻点，使得更有效地选取适合每个样本的局部线性或近似线性区域。
关键词：
人脸识别；
特征提取；
流形学习；
核空间；
半监督；
张量
Abstract
Facerecognition,characterizingbyitsnaturalness,directness,non-contact,securit,etc.,hasdevelopedtobeamostpotentialbiometricidentificationtechnology.Theeffectiveinformationofthefacialfeaturesisutilizedforpersonalidentification.Facerecognitionhastremendoususingvalueinauthenticationandidentifyoccasions,andcanpromotethedevelopmentofpatternrecognitionandmanyothersubjects.Therefore,thestudyoffacerecognitiontechnologyisgreattheoreticalandpracticalsignificance.
Extracteffectivediscriminantfeaturesisakeyfactorinfacerecognition,whichrequiresreductionofthedatadimensionatandkeepthefacedatasetoftheoriginalnatureofstructuralcharacteristicsunchangingatthesametime.Resultssuggestthatfaceembeddedinlow-dimensionalnonlinearsubmanifoldofthehigherdimensionalspace,thencemakingthemanifoldlearninghasbeenwidespreadconcern.Asnon-lineardimensionreductionmethods,manifoldlearningcaneffectivelylearntheintrinsicgeometryofthehigh-dimensionalmanifolddatastructurecloselyrelatedtohighnonlinearityandproperties.Sincethesamplepointsmakeclassicalalgorithmsdifficulttobedirectlyappliedtofacerecognition,soseveralimprovedalgorithmhasbeenpropsosedandgoodapplicationeffecthasbeenachieved.Inthispaper,basedonthedeeplyinveatigationoffeatureextractionmethodbase
升级会员 