《控制理论与基于子空间分析的人脸识别研究》由会员分享,可在线阅读,更多相关《控制理论与基于子空间分析的人脸识别研究(27页珍藏版)》请在金锄头文库上搜索。
1、控制理论与控制工程专业优秀论文控制理论与控制工程专业优秀论文 基于子空间分析的人脸识别研基于子空间分析的人脸识别研究究关键词:子空间分析关键词:子空间分析 人脸识别人脸识别 身份识别身份识别 人脸图像人脸图像 图像矩阵图像矩阵摘要:人脸识别是生物特征识别的关键技术之一,其研究的主要内容是如何使 得计算机具有身份识别的能力。如何从人脸图像中有效地提取使之区别于其它 个体的特征,是人脸识别研究的一个关键所在。在众多特征提取方法中,子空 间方法具有计算代价小、描述能力强、可分性好等特点,现已经成为人脸识别 的主流方法。本文以人脸识别的特征提取为研究目标,重点以子空间方法为研 究手段,进行了如下几方面
2、的研究: 1)针对图像矩阵主成分分析(IMPCA)算 法提取的特征维数过高的缺点,本文提出了二向图像矩阵主成分分析(2DIMPCA) 算法。2DIMPCA 的基本思想是在水平和垂直方向上顺序执行两次 IMPCA,在保证 识别率的前提下,有效地降低了特征维数,节省了存储空间。 2)将二维图像 矩阵表示模型的思想同保局投影(LPP)算法相结合,提出了图像矩阵保局投影 (IMLPP)。IMLPP 与 LPP 算法最大的不同在于图像数据的表示形式。LPP 需要将 二维图像转换成一维向量,而 IMLPP 中图像不需要进行类似转换,所有的操作 都基于二维图像矩阵。IMLPP 的优点是保留了图像像素间的空间
3、位置关系,提 高了识别率;缺点为采用迭代的方式计算投影矩阵,计算时间较长。 3)正交 保局投影(OLPP)是近年来被提出的基于流形学习的人脸识别算法,可以提取人 脸图像的非线性正交特征,但其理论推导烦琐,计算复杂,且未能很好地利用 人脸样本的类别信息。本文提出一种新的人脸识别算法一正交判别保局投影 (ODLPP)。该算法在 OLPP 的目标函数中增加类间散布约束,使得求解的特征更 具有判别性,同时引入正交化处理,避开了 OLPP 烦琐的迭代求解过程。 4) 将非线性核映射的思想同 LPP 算法相结合,提出了核有监督保局投影(KSLPP)。 在创建权图时,KSLPP 算法引入可调因子,有效结合人
4、脸局部流形结构信息和 样本的类别信息。实验结果表明 KSLPP 算法具有较好的性能。 5)单训练样本 问题是人脸识别走向实用不可回避的一个现实问题。针对这个特殊情况,本文 提出了基于判别公共向量(DCV)的单训练样本人脸识别算法。该算法基于人脸图 像的类内变化基本相似这个假设,采用辅助数据集(Generic Set)计算类内散度 矩阵,从而估计单样本人脸的类内差异,使得 DCV 算法在单训练样本条件下依 然保持有效。正文内容正文内容人脸识别是生物特征识别的关键技术之一,其研究的主要内容是如何使得 计算机具有身份识别的能力。如何从人脸图像中有效地提取使之区别于其它个 体的特征,是人脸识别研究的一
5、个关键所在。在众多特征提取方法中,子空间 方法具有计算代价小、描述能力强、可分性好等特点,现已经成为人脸识别的 主流方法。本文以人脸识别的特征提取为研究目标,重点以子空间方法为研究 手段,进行了如下几方面的研究: 1)针对图像矩阵主成分分析(IMPCA)算法 提取的特征维数过高的缺点,本文提出了二向图像矩阵主成分分析(2DIMPCA)算 法。2DIMPCA 的基本思想是在水平和垂直方向上顺序执行两次 IMPCA,在保证识 别率的前提下,有效地降低了特征维数,节省了存储空间。 2)将二维图像矩 阵表示模型的思想同保局投影(LPP)算法相结合,提出了图像矩阵保局投影 (IMLPP)。IMLPP 与
6、 LPP 算法最大的不同在于图像数据的表示形式。LPP 需要将 二维图像转换成一维向量,而 IMLPP 中图像不需要进行类似转换,所有的操作 都基于二维图像矩阵。IMLPP 的优点是保留了图像像素间的空间位置关系,提 高了识别率;缺点为采用迭代的方式计算投影矩阵,计算时间较长。 3)正交 保局投影(OLPP)是近年来被提出的基于流形学习的人脸识别算法,可以提取人 脸图像的非线性正交特征,但其理论推导烦琐,计算复杂,且未能很好地利用 人脸样本的类别信息。本文提出一种新的人脸识别算法一正交判别保局投影 (ODLPP)。该算法在 OLPP 的目标函数中增加类间散布约束,使得求解的特征更 具有判别性,
7、同时引入正交化处理,避开了 OLPP 烦琐的迭代求解过程。 4) 将非线性核映射的思想同 LPP 算法相结合,提出了核有监督保局投影(KSLPP)。 在创建权图时,KSLPP 算法引入可调因子,有效结合人脸局部流形结构信息和 样本的类别信息。实验结果表明 KSLPP 算法具有较好的性能。 5)单训练样本 问题是人脸识别走向实用不可回避的一个现实问题。针对这个特殊情况,本文 提出了基于判别公共向量(DCV)的单训练样本人脸识别算法。该算法基于人脸图 像的类内变化基本相似这个假设,采用辅助数据集(Generic Set)计算类内散度 矩阵,从而估计单样本人脸的类内差异,使得 DCV 算法在单训练样
8、本条件下依 然保持有效。 人脸识别是生物特征识别的关键技术之一,其研究的主要内容是如何使得计算 机具有身份识别的能力。如何从人脸图像中有效地提取使之区别于其它个体的 特征,是人脸识别研究的一个关键所在。在众多特征提取方法中,子空间方法 具有计算代价小、描述能力强、可分性好等特点,现已经成为人脸识别的主流 方法。本文以人脸识别的特征提取为研究目标,重点以子空间方法为研究手段, 进行了如下几方面的研究: 1)针对图像矩阵主成分分析(IMPCA)算法提取的 特征维数过高的缺点,本文提出了二向图像矩阵主成分分析(2DIMPCA)算法。 2DIMPCA 的基本思想是在水平和垂直方向上顺序执行两次 IMP
9、CA,在保证识别率 的前提下,有效地降低了特征维数,节省了存储空间。 2)将二维图像矩阵表 示模型的思想同保局投影(LPP)算法相结合,提出了图像矩阵保局投影(IMLPP)。 IMLPP 与 LPP 算法最大的不同在于图像数据的表示形式。LPP 需要将二维图像转 换成一维向量,而 IMLPP 中图像不需要进行类似转换,所有的操作都基于二维 图像矩阵。IMLPP 的优点是保留了图像像素间的空间位置关系,提高了识别率; 缺点为采用迭代的方式计算投影矩阵,计算时间较长。 3)正交保局投影 (OLPP)是近年来被提出的基于流形学习的人脸识别算法,可以提取人脸图像的非线性正交特征,但其理论推导烦琐,计算
10、复杂,且未能很好地利用人脸样本 的类别信息。本文提出一种新的人脸识别算法一正交判别保局投影(ODLPP)。该 算法在 OLPP 的目标函数中增加类间散布约束,使得求解的特征更具有判别性, 同时引入正交化处理,避开了 OLPP 烦琐的迭代求解过程。 4)将非线性核映 射的思想同 LPP 算法相结合,提出了核有监督保局投影(KSLPP)。在创建权图时, KSLPP 算法引入可调因子,有效结合人脸局部流形结构信息和样本的类别信息。 实验结果表明 KSLPP 算法具有较好的性能。 5)单训练样本问题是人脸识别走 向实用不可回避的一个现实问题。针对这个特殊情况,本文提出了基于判别公 共向量(DCV)的单
11、训练样本人脸识别算法。该算法基于人脸图像的类内变化基本 相似这个假设,采用辅助数据集(Generic Set)计算类内散度矩阵,从而估计单 样本人脸的类内差异,使得 DCV 算法在单训练样本条件下依然保持有效。 人脸识别是生物特征识别的关键技术之一,其研究的主要内容是如何使得计算 机具有身份识别的能力。如何从人脸图像中有效地提取使之区别于其它个体的 特征,是人脸识别研究的一个关键所在。在众多特征提取方法中,子空间方法 具有计算代价小、描述能力强、可分性好等特点,现已经成为人脸识别的主流 方法。本文以人脸识别的特征提取为研究目标,重点以子空间方法为研究手段, 进行了如下几方面的研究: 1)针对图
12、像矩阵主成分分析(IMPCA)算法提取的 特征维数过高的缺点,本文提出了二向图像矩阵主成分分析(2DIMPCA)算法。 2DIMPCA 的基本思想是在水平和垂直方向上顺序执行两次 IMPCA,在保证识别率 的前提下,有效地降低了特征维数,节省了存储空间。 2)将二维图像矩阵表 示模型的思想同保局投影(LPP)算法相结合,提出了图像矩阵保局投影(IMLPP)。 IMLPP 与 LPP 算法最大的不同在于图像数据的表示形式。LPP 需要将二维图像转 换成一维向量,而 IMLPP 中图像不需要进行类似转换,所有的操作都基于二维 图像矩阵。IMLPP 的优点是保留了图像像素间的空间位置关系,提高了识别
13、率; 缺点为采用迭代的方式计算投影矩阵,计算时间较长。 3)正交保局投影 (OLPP)是近年来被提出的基于流形学习的人脸识别算法,可以提取人脸图像的 非线性正交特征,但其理论推导烦琐,计算复杂,且未能很好地利用人脸样本 的类别信息。本文提出一种新的人脸识别算法一正交判别保局投影(ODLPP)。该 算法在 OLPP 的目标函数中增加类间散布约束,使得求解的特征更具有判别性, 同时引入正交化处理,避开了 OLPP 烦琐的迭代求解过程。 4)将非线性核映 射的思想同 LPP 算法相结合,提出了核有监督保局投影(KSLPP)。在创建权图时, KSLPP 算法引入可调因子,有效结合人脸局部流形结构信息和
14、样本的类别信息。 实验结果表明 KSLPP 算法具有较好的性能。 5)单训练样本问题是人脸识别走 向实用不可回避的一个现实问题。针对这个特殊情况,本文提出了基于判别公 共向量(DCV)的单训练样本人脸识别算法。该算法基于人脸图像的类内变化基本 相似这个假设,采用辅助数据集(Generic Set)计算类内散度矩阵,从而估计单 样本人脸的类内差异,使得 DCV 算法在单训练样本条件下依然保持有效。 人脸识别是生物特征识别的关键技术之一,其研究的主要内容是如何使得计算 机具有身份识别的能力。如何从人脸图像中有效地提取使之区别于其它个体的 特征,是人脸识别研究的一个关键所在。在众多特征提取方法中,子
15、空间方法 具有计算代价小、描述能力强、可分性好等特点,现已经成为人脸识别的主流 方法。本文以人脸识别的特征提取为研究目标,重点以子空间方法为研究手段, 进行了如下几方面的研究: 1)针对图像矩阵主成分分析(IMPCA)算法提取的 特征维数过高的缺点,本文提出了二向图像矩阵主成分分析(2DIMPCA)算法。2DIMPCA 的基本思想是在水平和垂直方向上顺序执行两次 IMPCA,在保证识别率 的前提下,有效地降低了特征维数,节省了存储空间。 2)将二维图像矩阵表 示模型的思想同保局投影(LPP)算法相结合,提出了图像矩阵保局投影(IMLPP)。 IMLPP 与 LPP 算法最大的不同在于图像数据的
16、表示形式。LPP 需要将二维图像转 换成一维向量,而 IMLPP 中图像不需要进行类似转换,所有的操作都基于二维 图像矩阵。IMLPP 的优点是保留了图像像素间的空间位置关系,提高了识别率; 缺点为采用迭代的方式计算投影矩阵,计算时间较长。 3)正交保局投影 (OLPP)是近年来被提出的基于流形学习的人脸识别算法,可以提取人脸图像的 非线性正交特征,但其理论推导烦琐,计算复杂,且未能很好地利用人脸样本 的类别信息。本文提出一种新的人脸识别算法一正交判别保局投影(ODLPP)。该 算法在 OLPP 的目标函数中增加类间散布约束,使得求解的特征更具有判别性, 同时引入正交化处理,避开了 OLPP 烦琐的迭代求解过程。 4)将非线性核映 射的思想同 LPP 算法相结合,提出了核有监督保局投影(KSLPP)。在创建权图时, KSLPP 算法引入可调因子,有效结合人脸局部流形结构信息和样本的类别信息。 实验结果表明 KSLPP 算法具有较好的性能。 5)单训练样本问题是人脸识别走 向