Lp范數(shù)約束的廣義主成分分析在人臉識(shí)別中的應(yīng)用.pdf

1、作為一項(xiàng)基于人的臉部特征的一種生物識(shí)別技術(shù)，人臉識(shí)別已經(jīng)成為當(dāng)前人工智能領(lǐng)域的一個(gè)主要研究熱點(diǎn)。特征提取研究如何有效地從人臉圖像中去除冗余信息并提取主要特征，是人臉識(shí)別過(guò)程中的關(guān)鍵。其中，主成分分析（PCA）是特征提取中最為經(jīng)典的技術(shù)，但是并不能有效的克服人臉表情、光照變化、遮擋等因素的影響，目前PCA和已有的相關(guān)改進(jìn)算法在上述因素影響下并不能取得有效的特征。本文對(duì)PCA、二維主成分分析以及雙向二維主成分分析等方法進(jìn)行深入研究，并在此基

2、礎(chǔ)上提出幾個(gè)改進(jìn)算法來(lái)提高特征提取的性能。
　　本研究主要內(nèi)容包括：⑴針對(duì)目前基于PCA的特征提取算法容易受到樣本均值影響的問(wèn)題，提出一種基于 Lp范數(shù)約束的新方法（Lp-RM-PCA）。該方法能避免樣本均值對(duì)優(yōu)化模型的影響。同時(shí)，一種迭代算法被用來(lái)求解該模型并且取得局部最優(yōu)解，當(dāng)參數(shù)p接近1時(shí)，可以得到稀疏的向量。實(shí)驗(yàn)證明了這種方法相比以前方法的性能改善1％-3%。⑵針對(duì)2DPCA方法對(duì)異常值敏感且得不到稀疏向量的問(wèn)題，提出一種

3、基于L1范數(shù)且受Lp范數(shù)約束的(2D)2PCA方法((2D)2PCA-Lp)。當(dāng)p接近1時(shí)，可以得到稀疏解。通過(guò)迭代算法可以求解該模型并且取得局部最優(yōu)解。通過(guò)在 Yale、NUYUMIST以及 ORL三個(gè)人臉數(shù)據(jù)庫(kù)上的實(shí)驗(yàn)表明該方法相比以前方法在處理污染數(shù)據(jù)時(shí)十分有效。⑶針對(duì)基于L1范數(shù)的雙向二維主成分分析算法容易受到樣本均值影響，提出一種新的優(yōu)化模型（Lp-RM(2D)2PCA）并用迭代算法對(duì)其進(jìn)行求解。該模型不僅能有效避免樣本均值的

4、影響，而且采用高斯函數(shù)對(duì)樣本對(duì)進(jìn)行加權(quán)，通過(guò)控制模型的參數(shù)p求取稀疏的最優(yōu)投影向量，可以在一定程度上減弱部分遮擋對(duì)人臉識(shí)別的影響。在NYU_UMIST、Yale和ORL人臉數(shù)據(jù)庫(kù)上的實(shí)驗(yàn)表明，與同類算法相比，性能提高1%-4%。⑷設(shè)計(jì)并實(shí)現(xiàn)了人臉識(shí)別原型系統(tǒng)。將改進(jìn)后的算法嵌入到了人臉識(shí)別原型系統(tǒng)中，同時(shí)提供了良好的可視化效果以及可操作性?？梢院芎玫某尸F(xiàn)出人臉識(shí)別結(jié)果。通過(guò)實(shí)驗(yàn)表明本文提出的Lp-RM-PCA，(2D)2PCA-Lp和L