基于自学习的二维半监督人脸识别方法研究

摘要

随着人类社会数字化程度的提高，身份认证成为人们日常生活中的基本活动之一。生物特征识别作为一种重要的身份认证技术，已经受到人们的广泛关注，该方法主要利用人体的固有生理特征或行为特征来进行身份认证。人脸作为人最重要的生物特征之一，以其独特的优势，成为身份认证的最基本同时也是最重要的一种手段。人脸识别技术结合了多学科、多领域的知识、技术和方法，对其进行研究具有重大的理论和实际应用价值。在人脸识别方法中，由于基于统计的子空间人脸识别方法具有理论基础完备、特征提取过程简单、人脸识别率高的特性，所以该方法很快成为人脸识别中的一个重要研究方向。　　本文在分析研究了人脸识别的国内外研究现状后，对子空间的人脸识别方法进行了研究，主要内容包括以下几个方面：　　1.分析研究了主成份分析（PCA）与线性判别分析（LDA）的人脸识别方法的基本原理和特征提取方法，并对这两种方法存在的问题进行了研究；另外，分析研究了两种基于子空间的二维人脸识别方法2DPCA和2DLDA及特征提取原理和过程，并对二维扩展方法2DPCA和2DLDA进行了详细的阐述。　　2.提出了两种融合2DPCA和2DLDA特征进行人脸识别的策略。在对2DPCA和2DLDA特征提取方法及其原理深入研究分析的基础上，根据2DPCA方法擅于特征表述，而2DLDA方法擅于特征鉴别的特点，将基于2DPCA特征和2DLDA特征的人脸识别方法相结合，提出了两种决策层的融合2DPCA和2DLDA特征进行人脸识别的策略，并利用实验验证了所提出策略的有效性。　　3.提出了两种基于子空间的半监督自学习的二维人脸识别方法。针对实际应用中面临的已知类别标签的统计样本不足的问题，将半监督的自学习方法引入到这两种重要的二维方法中来，提出了半监督的主成份分析（SS2DPCA）和半监督的线性判别分析（SS2DLDA）两种方法，并利用实验验证了这两种人脸识别方法的有效性。实验研究了两种半监督二维方法能够充分利用未知类别标签的人脸图像样本来对分类器进行训练，弥补了由于训练样本不足所带来的特征提取及识别分类的缺陷，增强了分类器对光照和姿态表情等变化影响的鲁棒性，提高人脸识别分类的正确率，特别是在已知类别标签训练样本缺少的情况下，对分类器的性能改进效果更为显著。

目录

第一个书签之前