隨機(jī)采樣技術(shù)在人臉識(shí)別中的應(yīng)用研究.pdf

1、人臉識(shí)別是一個(gè)非常復(fù)雜的問題,尤其是當(dāng)人臉圖像包含遮擋、光照等因素時(shí),很難找到既具有較好魯棒性又能獲得較高識(shí)別精度的單個(gè)最優(yōu)的分類器。由于多分類器的集成往往能獲得比單分類器更好的識(shí)別性能,因此多分類器的人臉識(shí)別方法的設(shè)計(jì)已成為一個(gè)新的研究熱點(diǎn),而隨機(jī)采樣作為構(gòu)建多分類器的方法之一近年來也得到了廣泛的關(guān)注。本文考慮了人臉圖像的特殊性,以獲取對(duì)光線、表情、姿態(tài)及遮擋等變化魯棒的識(shí)別方法為研究目標(biāo),以隨機(jī)采樣技術(shù)為方法,結(jié)合子圖像方法的優(yōu)勢(shì)對(duì)

2、人臉識(shí)別進(jìn)行了研究,并取得如下成果:
　　 (1)提出了基于子圖像的Bagging隨機(jī)采樣的人臉識(shí)別方法。由于該方法將對(duì)樣本的隨機(jī)采樣建立于圖像的子圖像集上,因此成功地將最近鄰分類器應(yīng)用于Bagging中.該方法主要有以下四點(diǎn)特點(diǎn):1)避免了小樣本問題,從而使得Bagging有效地應(yīng)用于人臉識(shí)別領(lǐng)域:2)可對(duì)每個(gè)子圖像集分別進(jìn)行分類器的訓(xùn)練,因此可采用并行的計(jì)算方式以有效提高算法的運(yùn)算效率；3)對(duì)人臉子圖像的劃分不依賴于人臉圖像

3、的維數(shù),因此當(dāng)圖像樣本的維數(shù)很大時(shí)該方法能有效地降低算法復(fù)雜度；4)將Bagghag方法順利地應(yīng)用于穩(wěn)定的最近鄰分類器中,有效地?cái)U(kuò)大了Bagging的應(yīng)用范圍。實(shí)驗(yàn)結(jié)果表明,基于子圖像的Bootstrap隨機(jī)采樣有效地提高了人臉識(shí)別方法的識(shí)別精度。
　　 (2)從信息融合的角度提出了兩種基于典型相關(guān)性分析的隨機(jī)子空間方法(RS_CCA和RS_NmCCA)。隨機(jī)子空間方法所構(gòu)建的分量分類器間雖然具有較高的多樣性,但由于單個(gè)分量分類

4、器的識(shí)別效果往往不理想,從而影響了最后的集成效果。提出的方法通過利用兩種不同的融合信息來提高分量分類器的精度進(jìn)而提高整個(gè)集成分類器的識(shí)別性能。RS_CCA融合了全局特征和局部特征的信息；而RS_NmCCA融合了局部特征之間的信息。大量的實(shí)驗(yàn)證明,信息的融合有利于識(shí)別性能的提高。
　　 (3)提出了半隨機(jī)子空間的人臉識(shí)別方法(SemiRandomSubspace,Semi-RS).與傳統(tǒng)的建立在整個(gè)人臉圖像空間的隨機(jī)子空間方法所不

5、同的是,Semi-RS同時(shí)結(jié)合了隨機(jī)子空間和子圖像方式的優(yōu)勢(shì),將隨機(jī)采樣建立在按一定形式分割好的人臉子圖像上.該方法的主要特點(diǎn)之一是不受特征提取方法的限制,可使用PCA、LDA、CCA、LPP、NPE等多種子空間方法或流形方法進(jìn)行特征提取。大量的實(shí)驗(yàn)證明該方法不僅能有效解決人臉識(shí)別所面臨的小樣本問題和對(duì)光線、遮擋等一系列的面部因素不魯棒的問題而且對(duì)人臉微小的姿態(tài)變化、大小縮放以及單訓(xùn)練樣本問題也有一定的優(yōu)勢(shì)。
　　 (4)初步地