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

1、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： Methods of Feature Extraction Based on Manifold Learning in Face RecognitionbyBAI WanrongB.E. （Hexi University） 2009A thesis submitted in partial satisfaction of the Requirement

2、s for the degree ofMaster of EngineeringinComputer Application Technologyin the Graduate Schoolof Lanzhou University of TechnologySupervisorAssociate Professor WANG YanMay, 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

3、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IABSTRACTII插图索引IV附表索引V第1章绪论11.

4、1 人脸识别背景和意义11.2 人脸识别的研究现状11.3 人脸识别的研究内容21.4人脸特征提取的主要方法31.4.1 线性子空间方法31.4.2 非线性子空间方法51.5本文主要工作71.6本文内容安排8第2章流形学习92.1引言92.2等距映射92.3局部线性嵌入112.4拉普拉斯特征映射122.5流形学习方法的比较142.6小结15第3章核正交邻域保持判别嵌入算法163.1引言163.2核方法163.3核正交邻域保持判别嵌入173.3.1 邻域保持判别嵌入183.3.2 Schur正交邻域保持判别嵌入193.3.3 核正交邻域保持判别嵌入203.3.4 核正交邻域保持判别嵌入算法描述2

5、13.4人脸识别实验213.5小结24第4章基于最大散度差的半监督判别分析254.1引言254.2 相关算法254.2.1边界Fisher分析254.2.2无监督鉴别投影264.3基于散度差的半监督判别分析274.3.1半监督判别分析274.3.2最大散度差半监督判别分析284.3.3散度差与瑞利商之间的关系294.3.4最大散度差的半监督判别分析算法描述294.4人脸识别实验304.4.1 ORL人脸数据库的实验304.4.2 YALE人脸数据库的实验314.4.3 实验分析324.5小结32第5章自适应邻域选择的张量边界FISHER分析335.1引言335.2张量边界Fisher分析335

6、.3自适应邻域选择的TMFA355.4人脸识别实验385.4.1 PIE人脸数据库的实验385.4.2 FERET人脸数据库的实验395.4.3实验分析405.5 三种算法的比较405.6 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49V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

7、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

8、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，

9、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AbstractFace recognition, characterizing by its naturalness, directness, non-contact, securit, etc., has developed to be a most potential biometric identification t

10、echnology. The effective information of the facial features is utilized for personal identification. Face recognition has tremendous using value in authentication and identify occasions, and can promote the development of pattern recognition and many other subjects. Therefore, the study of face reco

11、gnition technology is great theoretical and practical significance.Extract effective discriminant features is a key factor in face recognition, which requires reduction of the data dimensionat and keep the face data set of the original nature of structural characteristics unchanging at the same time

12、. Results suggest that face embedded in low-dimensional nonlinear submanifold of the higher dimensional space, thence making the manifold learning has been widespread concern. As non-linear dimension reduction methods, manifold learning can effectively learn the intrinsic geometry of the high-dimens

13、ional manifold data structure closely related to high nonlinearity and properties. Since the sample points make classical algorithms difficult to be directly applied to face recognition, so several improved algorithm has been propsosed and good application effect has been achieved. In this paper, based on the deeply inveatigation of feature extraction method base