基于多流形判別分析的單樣本人臉識別研究.pdf

1、隨著科技進步和安全方面的迫切需求，單樣本人臉識別越來越得到學者們的高度重視，并成為人臉識別領(lǐng)域的一個非常重要的研究分支。針對單樣本人臉識別問題，主流的方法可分為四類:局部特征表示法、通用學習框架法、虛擬樣本擴展法以及圖像分塊法，其中，目前最受歡迎的是圖像分塊法，許多分塊圖像法可在一定程度上解決單樣本人臉識別問題，但是，這些方法在特征提取時往往會忽略圖像幾何信息。
　　為了提高單樣本人臉識別率，本文提出了一種通用學習框架方法。首先，

2、借助于通用訓練樣本集，將大量的通用樣本與各個單樣本按一定比例疊加，從而增加每個類的訓練樣本總數(shù)，利用PCA對多樣本降維以降低計算復雜度;然后，利用傳統(tǒng)的方法進行特征提取，將所有樣本投影到特征子空間;最后，計算測試樣本與每個訓練樣本之間的歐氏距離，并利用最大隸屬度原則完成人臉識別。在ORL及Yale人臉數(shù)據(jù)庫上的實驗結(jié)果表明，本文提出的通用學習框架方法在一定程度上減輕了人臉的表情、姿態(tài)、光照等因素對識別效果的影響。
　　針對傳統(tǒng)的單

3、樣本人臉識別方法在特征提取時容易忽略圖像幾何信息的問題，基于每個人的各個圖像小塊分布于一個流形的假設(shè)，提出了基于通用學習框架和Fisher準則的多流形判別分析方法，將單樣本人臉識別問題轉(zhuǎn)化成了流形與流形之間的距離問題，與傳統(tǒng)的分塊方法不同的是，提出的多流形方法并沒有將圖像進行分塊，首先利用提出的通用學習框架方法將單樣本問題轉(zhuǎn)化成多樣本問題，假設(shè)每個類的多個樣本分布于各自的流形;接著，基于Fisher準則，提出了最優(yōu)化目標函數(shù)，構(gòu)造多流形