论文部分内容阅读
人脸识别是一种生物特征识别技术,由于其数据的易采集性、面部的直观性以及较强的代表性,现在已逐渐成为模式识别与人工智能方面的研究热点。但人脸在进行处理时常常会遇到这样的问题：一是人脸图像容易受到外界因素比如光照、表情、姿态等的影响,二是用提取特征的方法对人脸进行识别时,人脸图像是一个高维的数据,在对其进行处理时会遇到较大的困难。有研究表明,人脸从某种意义上来讲是一种非线性的流形结构,该结构主要受一些内在变量的控制,如果能从人脸流形中找出光照、表情、姿态等这些内在的变量,就能有效地对高维的人脸数据进行降维。流形学习能很好地保持高维数据的某些特性,其目标是找出嵌入在高维空间中的低维流形。本文针对流形学习中的一种典型代表方法——局部线性嵌入(Locally Linear Embedding, LLE)作了改进,并将其与一种核方法KFDA(Kernel Fisher Discriminant Analysis, KFDA)结合应用于人脸识别,取得了较好的效果。本文的主要研究工作如下：1.本文以图像处理作为基础,针对流形学习中LLE算法的相似性度量问题,本文作出了改进。由于欧氏距离不能来衡量图像空间中两个样本点的真实距离,本文提出来以测地距离和图像欧氏距离取代传统的欧氏距离。2.对于原始LLE算法第一步中邻域数k的取值问题,本文作出了改进。LLE算法中假设的是所有的样本是均匀分布的,因此对所有的样本点都取相同数目的近邻个数。但实际中以上的假设很难得到满足,多数样本数据都是非均匀分布的,人脸图像也是如此。针对该问题,本文提出一种自适应的局部线性嵌入算法(Adaptive Nearest Neighbor Locally Linear Embedding, ANNLLE),根据每个样本点周围点的分布情况,分别找出一个最适合的近邻数。3.在用改进后的LLE算法对人脸提取特征后,采用非线性的判别方法KFDA作为分类器来对人脸进行分类,即将低维空间中线性不可分的数据投影到高维空间中实现线性可分,由于采用了核方法,计算复杂度与线性的方法相比不会增加,并且有较好的效果。