基于仿射弧多流形距离度量的人脸识别方法研究

摘要

人脸图像传达了许多重要的身份信息。在计算机模式识别中，人脸识别是一个具有挑战性的研究课题。本文将局部权重矩阵和领域适应方法分别与基于仿射弧的多流形距离度量方法相结合，提出两种人脸识别方法，并分别应用于人脸图像识别。在标准人脸数据集上的实验证明，本文的两种方法都能获得较好的识别效果。本文的主要工作如下:
　　(1)提出一种基于局部邻域多流形度量的人脸识别方法。针对人脸识别的小样本问题，用特征脸对人脸图像预处理。对预处理后的人脸数据集中每个流形内的数据点采用欧氏距离来选择各数据点的近邻点，由此得到局部权重矩阵，并计算重构数据点与原始数据点之间的误差距离;同时，采用图像集建模流形，用仿射弧表示流形对应的数据集信息，计算多流形间的距离度量矩阵。通过最大化流形间距离，最小化数据点与重构数据点误差距离来寻找投影降维矩阵。
　　(2)提出一种基于领域适应和流形距离度量学习的人脸识别方法。该方法旨在构造一个投影空间，尽可能保持原始数据的主要信息，以减少干扰因素对数据的影响。为构造的度量模型寻找一个投影空间，使用最大均值差法减少训练集和测试集之间的差异，并利用仿射弧来度量流形之间的距离，使得最大均值差最小，流形间距离最大。
　　(3)将原始数据投影到投影空间后，利用KNN分类器确定未知人脸的类别。
　　本文的研究一方面能提高人脸图像的识别率;另一方面也是将领域适应与流形学习运用于人脸图像识别的进一步探索。

目录

声明

摘要

1．1 研究的背景

1．2 研究的意义

1．3 研究现状

1．4 本文内容安排

第2章 相关理论及方法

2．1 流形间距离度量学习

2．1．1 经典的线性度量学习

2．1．2 基于仿射弧的流形度量学习

2．1．3 非线性流形度量学习

2．2 领域适应

2．2．1 领域适应度量MMD

2．3 分类器

2．4 常用数据集

2．4．1 PIE数据集

2．4．2 ORL数据集

2．4．3 AR数据集

2．4．4 Yale数据集

2．5 本章小结

第3章 基于局部邻域多流形距离度量的人脸图像识别

3．1 引言

3．2 算法描述

3．2．1 特征脸分析

3．2．2 基于仿射弧的多流形距离度量矩阵

3．2．3 基于局部权重矩阵的误差度量矩阵

3．2．4 目标函数及求解

3．2．5 算法流程及提纲

3．3 实验结果及分析

3．3．1 局部邻域中近邻点的确定

3．3．2 不同算法对比实验结果

3．4 本章小结

第4章 基于领域适应和多流形距离度量的人脸图像识别

4．1 引言

4．2 基于领域适应和流形距离度量学习人脸图像识别

4．2．1 领域适应学习中的最大均值差模型

4．2．2 基于affine hull的多流形距离度量

4．2．3 算法模型

4．2．4 算法流程及提纲

4．3 实验结果与分析

4．3．1 实验数据集

4．3．2 DA-MDML方法中参数的确定

4．3．3 对比实验的效果分析

4．3．4 实验小结

4．4 本章小结

第5章 结论与展望

5．1 本文的主要工作

5．2 进一步的工作展望

致谢

参考文献

附录