基于半监督学习的人脸识别算法研究

摘要

人脸识别，作为目前模式识别领域研究热点之一，是基于人的脸部特征信息进行身份识别的一种生物识别技术，人脸识别系统的研究始于20世纪60年代，80年代后随着计算机技术和光学成像技术的发展得到提高，而真正进入初级的应用阶段则在90年后期，并且以美国、德国和日本的技术实现为主。人脸识别系统成功的关键在于是否拥有尖端的核心算法，并使识别结果具有实用化的识别率和识别速度，集成了人工智能、机器识别、机器学习、模型理论、视频图像处理等多种专业技术，是生物特征识别的最新应用，其核心技术的实现，展现了弱人工智能向强人工智能的转化,其中的关键是利用降维算法进行特征提取。
　　本文主要研究半监督学习在人脸识别算法中的应用，主要研究内容及创新点如下：
　　1、研究子空间方法与半监督人脸识别，介绍了自训练的主成分分析方法(PCA)和线性判别分析方法(LDA)方法，向训练集中加入未标记图片，通过更新训练器的方式，同时利用未知样本与已知样本。以上方法是线性方法，针对人脸可能具有非线性特征，本文通过核映射，将算法扩展到非线性的高维数的空间，提出半监督的基于核的PCA算法（SKPCA），核心思想是利用非线性变换和核函数，解决识别问题，这个方法好处就是能够保持图像的非线性特征，使算法性能更高。在人脸数据上的实验表明加入半监督学习比无监督学习的识别效果更好，核方法优于线性方法，具有更好的识别率。
　　2、介绍了局部保持投影算法(LPP)算法，并提出了一种改进半监督 LPP算法(SDLPP)。LPP算法是通过保持数据的局部位置关系而提出的人脸识别算法，它通过构造近邻矩阵，使得原本距离很近的点投影之后也能保持位置相近，本文提出了 SDLPP算法则是在此基础上结合直接线性判别方法(DLDA)和半监督学习，而得到的一种新的人脸识别算法，数值实验表明加入半监督学习具有更好的识别性。
　　3、在SDA人脸识别基础上，结合DCT频域变换，提出一种半监督判别力度分析算法（SSDPA）算法。通过DCT变化计算DCT系数,然后计算DCT系数的半监督判别力（SSDP）,然后利用SSDP进行投影提取特征。实验结果表明，SSDPA能较好解决LDA维数受限制的缺点，获得较好的识别性能。

目录

封面

声明

中文摘要

英文摘要

目录

第一章 绪论

1.1 研究人脸识别的背景与意义

1.2人脸识别国内外研究现状

1.3 人脸识别中存在的难题

1.4 本文的主要研究内容

第二章 半监督学习

2.1半监督学习概念

2.2 半监督学习方法

第三章 基于PCA半监督人脸识别

3.1基于子空间的线性特征提取方法

3.2 半监督子空间线性特征提取方法

3.3 半监督子空间非线性特征提取方法

3.4 实验结果及分析

3.5 本章小结

第四章 基于LPP的半监督人脸识别

4.1 LPP算法原理

4.2 改进的LPP算法

4.3 改进的半监督LPP算法

4.4 实验结果与分析

4.5 本章小结

第五章 基于离散余弦的半监督判别分析人脸识别

5.1 半监督判别分析算法(SDA)

5.2 DCT变换

5.3 半监督判别力度分析算法（SSDPA）

5.4 实验结果与分析

5.5 本章小结

第六章 总结与展望

6.1 全文总结

6.2 工作展望

致谢

参考文献