基于流形學(xué)習(xí)算法的人臉識(shí)別研究.pdf

1、隨著網(wǎng)絡(luò)和信息技術(shù)的快速發(fā)展，信息交換者之間身份的認(rèn)證和確認(rèn)極為重要，人們對(duì)于信息安全性的要求越來越高，需要進(jìn)行人的身份認(rèn)證的場(chǎng)合也越來越多。生物特征識(shí)別技術(shù)是利用人的生物特征進(jìn)行識(shí)別，并秉承了它的先天不易遺忘丟失等優(yōu)勢(shì)，因此，生物特征識(shí)別技術(shù)已成為如今最有效的身份認(rèn)證技術(shù)。
　　 人臉識(shí)別是生物特征識(shí)別技術(shù)之一，它是利用人臉圖像中的有效信息進(jìn)行身份認(rèn)證識(shí)別的一種技術(shù)。與其它生物特征識(shí)別相比，人臉識(shí)別以其簡(jiǎn)單、方便、不直接接觸等

2、優(yōu)勢(shì)，贏得社會(huì)各個(gè)領(lǐng)域的信賴并且已具有非常廣泛的應(yīng)用前景。
　　 在使用人臉識(shí)別技術(shù)進(jìn)行身份認(rèn)證的過程中，特征提取是最為重要的一步。研究者在特征提取中發(fā)現(xiàn)，人臉圖像數(shù)據(jù)可能存在于一個(gè)潛在的低維流形當(dāng)中，傳統(tǒng)的子空間方法無法保持?jǐn)?shù)據(jù)的流形結(jié)構(gòu)，因此，流形學(xué)習(xí)算法應(yīng)運(yùn)而生。在實(shí)驗(yàn)中流形學(xué)習(xí)算法具有較好的識(shí)別效果，但由于其存在樣本點(diǎn)外的問題，使得很難直接應(yīng)用到實(shí)際當(dāng)中。因此學(xué)者們?cè)诮?jīng)典算法的基礎(chǔ)上提出了許多的改進(jìn)算法，取得了較好的應(yīng)用

3、效果。本文深入研究了基于流形學(xué)習(xí)的特征提取方法，并在此基礎(chǔ)上做了以下工作:
　　 1.在保持鄰域嵌入的基礎(chǔ)上，利用樣本的類別信息計(jì)算類間散度矩陣和類內(nèi)散度矩陣，同時(shí)采用先驗(yàn)類信息重新構(gòu)造保持鄰域嵌入(NPE)的權(quán)值矩陣，然后把類間散度矩陣與類內(nèi)散度矩陣之差即最大間距準(zhǔn)則的目標(biāo)函數(shù)引入到更改了權(quán)值矩陣的NPE目標(biāo)函數(shù)中，提出了保持鄰域分類嵌入算法。算法能計(jì)算得到既能保持局部特性又具有良好分類特性的投影向量，克服了保持鄰域嵌入算法沒

4、有有效利用監(jiān)督樣本信息的缺點(diǎn)，較好地保持了人臉數(shù)據(jù)中流形的幾何結(jié)構(gòu)和判別結(jié)構(gòu)信息。
　　 2.針對(duì)流形學(xué)習(xí)中非線性特征提取和有標(biāo)記樣本不足問題，提出了一種基于核正交半監(jiān)督鑒別分析的人臉識(shí)別算法。算法將無監(jiān)督判別分析和邊界Fisher分析進(jìn)行結(jié)合，加入調(diào)節(jié)貢獻(xiàn)度的常系數(shù)使之改進(jìn)為半監(jiān)督算法。其中，利用無監(jiān)督判別分析來對(duì)大量無標(biāo)簽樣本進(jìn)行訓(xùn)練，而利用邊界Fisher分析對(duì)少量有標(biāo)簽樣本進(jìn)行訓(xùn)練。同時(shí)，將核正交化的思想引入其中，在特征