流形學(xué)習(xí)算法在人臉識別中的應(yīng)用研究.pdf

1、人臉是人類視覺中最常見的模式，人臉識別由于其自然、直觀、非接觸、安全、快捷等特點而倍受關(guān)注，已經(jīng)成為最具發(fā)展?jié)摿Φ纳锾卣髯R別技術(shù)之一，也是當(dāng)前模式識別和人工智能領(lǐng)域的一個研究熱點。但是，由于人臉結(jié)構(gòu)的復(fù)雜性、人臉表情的多樣性以及人臉成像過程的多變性等原因，人臉機器自動識別至今仍然被公認是一個具有挑戰(zhàn)性的研究領(lǐng)域。一般認為，人臉從某種意義上來說是一種流形結(jié)構(gòu)，人臉數(shù)據(jù)集是由某些內(nèi)在變量控制形成的非線性流形，只要能從流形中尋找出光照、表情

2、和姿態(tài)等控制變量，就能大幅降低觀測空間的維數(shù)。
　　流形學(xué)習(xí)是近年來機器學(xué)習(xí)及模式識別等領(lǐng)域的一個研究熱點，其主要目標是去發(fā)現(xiàn)高維觀察數(shù)據(jù)空間的低維光滑流形。自從2000年Roweis和Saul提出LLE算法、Tenenbaum等人提出Isomap算法，特別是Donoho等人發(fā)現(xiàn)Isomap算法能夠準確發(fā)現(xiàn)人臉圖像流形潛在的參數(shù)空間、張長水等人將LLE算法用于人臉識別并取得了較好的識別效果之后，基于流形學(xué)習(xí)的人臉識別研究引起了人們

3、的廣泛關(guān)注。本文對流形學(xué)習(xí)算法在人臉識別中的應(yīng)用問題進行研究，提出了3種新的基于流形學(xué)習(xí)的人臉識別算法，通過仿真實驗驗證了它們的有效性。主要工作和創(chuàng)新成果集中在以下幾個方面：
　　1．簡要介紹了流形學(xué)習(xí)研究中涉及的相關(guān)數(shù)學(xué)知識，如拓撲流形、微分流形、黎曼流形、測地線、Hausdorff距離等，為本文的研究提供理論支持。
　　2．分析討論了流形學(xué)習(xí)在人臉識別應(yīng)用中的一些關(guān)鍵問題。1)介紹了流形學(xué)習(xí)的研究動機、技術(shù)路線，主流流形

4、學(xué)習(xí)算法的優(yōu)勢及存在不足。2)分析了人臉識別主要技術(shù)的優(yōu)勢及存在困難，指出了流形學(xué)習(xí)應(yīng)用于人臉識別的可能性及可行性。3)針對人臉圖像數(shù)據(jù)高維、非結(jié)構(gòu)化的特點，分析討論了高維空間的維數(shù)約簡、維數(shù)災(zāi)難、數(shù)據(jù)稀疏性、空空間現(xiàn)象、胖尾現(xiàn)象等問題，從數(shù)學(xué)模型的角度討論了流形學(xué)習(xí)與維數(shù)約簡、本征維數(shù)估計、監(jiān)督學(xué)習(xí)、半監(jiān)督學(xué)習(xí)、監(jiān)督流形學(xué)習(xí)及半監(jiān)督流形學(xué)習(xí)等問題，揭示了它們的區(qū)別與聯(lián)系。
　　3．構(gòu)建模型、搭建實驗平臺，將主流流形學(xué)習(xí)算法應(yīng)用于

5、人臉識別。進行仿真實驗，系統(tǒng)分析其應(yīng)用的可能性，優(yōu)勢及存在的問題。1）線性流形學(xué)習(xí)算法人臉識別仿真實驗：主成分分析（PCA）、線性判別分析算法(LDA)、局部保距投影（LPP）等。2）非線性流形學(xué)習(xí)算法人臉識別仿真實驗：等距映射（Isomap），局部線性嵌入算法（LLE）、Laplacian特征映射（LE）、局部切空間排列（LTSA）等。
　　4．針對流形學(xué)習(xí)算法未能充分利用樣本的類別信息，一般不適合用于分類，不能有效的消除圖像中

6、冗余信息；Isomap算法需要較多的訓(xùn)練樣本來描述非線性流形結(jié)構(gòu)，而人臉識別本身是一個小樣本問題，通常訓(xùn)練樣本不是很多，進而影響了識別效果。提出了一種新的人臉識別算法并在公開人臉數(shù)據(jù)庫中驗證了算法的有效性。
　　5．LTSA算法是著名的流形學(xué)習(xí)算法之一。但如果在模式識別時遇到相似的流形，兩種流形相似的模型放在一起就構(gòu)成了復(fù)雜流形，這時就很難用LTSA算法加以分類。針對這個問題，本文提出了一種新的人臉識別算法并在公開人臉數(shù)據(jù)庫中驗證