基于流形学习人脸识别技术的研究

《基于流形学习人脸识别技术的研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、摘要论文题目：基于流形学习的人脸识别技术研究学科专业：计算机软件与理论研究生：房蓓指导教师：吕林涛教授赵明华副教授摘要签名：人脸识别技术是计算机视觉和模式识别等领域非常活跃的一个研究方向。传统的人脸识别算法多假设人脸数据集具有全局的线性结构；而随着数据分析技术的发展，人们发现高维数的人脸数据集往往具有一些低维的非线性结构即流形，因此，基于流形学习的人脸识别技术研究成为当前研究较多的领域。本文以流形学习理论为基础，对现有的流形学习算法进行深入分析研究，针对现有流形学习算法存在未能合理利用无标签样本、标签样本不容易得到等问题，提出了基于流

2、形学习的人脸识别模型及关键算法。(1)探讨了基于流形学习的人脸识别模型，模型主要分为人脸检测与定位、基于流形学习的特征提取和分类器鉴别三个步骤。其中，基于流形学习的特征提取是关键问题。(2)提出了半监督鉴别正交局部保持投影算法，该算法首先在鉴别正交局部保持投影算法的基础上加入无标签样本，并合理利用无标签样本具有的信息来增加分类的精确度，使得维持相同局部流形类别结构的同时最大化类间鉴别信息，最后对投影矩阵进行施密特正交化。实验证明，该半监督流形学习算法比同类半监督算法和无监督算法有提高。(3)改进了鉴别正交领域保持投影算法，针对算法中未

3、能利用无标签样本的问题，提出了半监督鉴别正交领域保持投影算法。该算法首先将正交领域保持投影应用在片排列框架上，然后加入鉴别信息和无标签样本，使算法为半监督算法。实验证明，加入无标签样本的半监督算法对识别率有一定的提高。在本文使用的人脸识别模型中，主要研究基于半监督流形学习的特征提取算法，该算法合理利用了标签样本和无标签样本具有的信息，实验结果表明，本文所提出的两种半监督流形学习算法在此人脸识别模型下较同类算法识别率高。因此该人脸识别模型具有一定的理论和实用价值。关键词：流形学习；人脸识别；半监督流形学习；局部保持投影；领域保持投影删i

4、-l●I●IJAbStract一_————————————————————————————————————————————————————————一Title：FACERECOGNITIONTECHNOLOGYBASEDONMANIFOLDLEARNINGMajor：ComputerSoftwareandTheoryName：BeiFANGSupervisor：Prof．LintaoLUAssociateProf．MinghuaZHAOAbstractSignat№：屿迪水Facerecognitiontechnologyisaver

5、yactiveresearchinareasofcomputervisionandpatternrecognition．Traditionalfacerecognitionalgorithmsusuallyassumethatfacedatasetshaveagloballinearstructure；however，withthedevelopmentofthedataanalysistechnology,itisdiscoveredthatthehigh—dimensionalfacedatasetstendtohavesomel

6、ow-dimensionalnonlinearstructures，calledmanifold．Therefore，facerecognitionbasedonmanifoldlearningbecomesmoreareasofcurrentresearch．Thisarticleisbasedonmanifoldleamingtheory,andhascarriedonin-depthanalysisanddiscussionoftheexistingmanifoldlearningalgorithms．Sinceexisting

7、manifoldlearningalgorithmscannotmakereasonableuseofunlabeledsamplesandthelabelsarenoteasytoget，afacerecognitionmodelbasedonmanifoldlearninganditskeyalgorithmsareproposedinthisarticle．Themainworkincludes：(1)Afacerecognitionmodelbasedonmanifoldlearningisproposed．Themodelc

8、onsistsoffacedetectionandlocalization，featureextractionbasedonmanifoldlearningandclassification．Thekeyissueisf