论文部分内容阅读
人脸识别是目前生物特征识别应用最广泛的技术之一,它具有方便、实用、直观、友好等特点,是信息安全、机器视觉等领域的重要研究课题之一。随着物联网、传感技术的飞速发展,在真实环境中采集的人脸图像呈现高维、非约束、多模态等特点,导致人脸图像复杂多变,在高维空间中呈现出扭曲、交织的非线性分布。因此,针对这个问题,本文对高维复杂的非约束人脸图像进行降维研究,期望提取出表征不同人脸的低维流形本质结构,提高人脸识别的准确性,具体工作内容如下:(1)稀疏保持投影(Sparse Preserving Projection,SPP)算法是一种无监督的降维方法,它利用除待表示样本以外的其他所有样本进行稀疏重构,没有考虑样本的类别信息。针对这种不足,本文提出判别稀疏保留投影(Discriminant Sparse Preserving Projection,DSPP)算法,仅利用和待表示样本相同类别的剩余样本进行稀疏重构,在类内样本紧凑度约束的基础上,采用最小二乘法实现样本重构权值的快速求解;并且,在低维投影时,不仅考虑样本的重构关系,也考虑样本的全局分布信息,从而实现高维数据的最佳投影。实验结果表明,该算法利用类别信息充分保证了同类样本的重构关系,避免了异类样本的干扰,有效提高了非约束人脸识别的准确率。(2)鉴于DSPP算法仅利用同类样本对待表示样本进行稀疏重构,没有考虑异类样本对待表示样本的重构影响,本文在DSPP基础上进行改进,提出判别稀疏保持嵌入(Discriminant Sparse Preserving Embedding,DSPE)算法。首先,分别计算样本的类内重构权值和类间重构权值,再利用样本的重构关系和全局判别信息分别计算低维空间中样本的类内离散度和类间离散度,最后,通过约束类内离散度最小和类间离散度最大实现高维数据的最佳投影降维。实验结果表明,相比DSPP算法,DSPE算法既考虑了同类样本的相似性,也考虑到异类样本的差异性,结合局部重构关系和全局判别信息得到具有更好判别性的低维子空间,非约束人脸识别准确率得到明显提升。(3)考虑DSPP算法是基于向量表示的降维方法,这不仅破坏了图像的空间结构信息,而且会产生维数灾难和小样本问题。针对这个缺陷,本文又将DSPP算法推广到张量空间中,提出判别张量稀疏保持(Discriminant Tensor Sparsity Preserving,DTSP)算法。该算法直接对张量形式的图像数据进行稀疏重构表示,更有利于准确描述高维空间中样本的邻域关系和空间结构,并通过双边投影使得低维子空间更具有判别性。实验结果表明,相比基于向量表示的降维方法,DTSP算法具有更高的识别率。