基于非线性降维的人脸识别新算法

提出了一种有监督的非线性核子空间人脸识别新方法。在核邻域保持投影方法的局部邻域构建过程中引入监督机制,更好地利用了人脸训练样本的类别信息,提高人脸识别的效率;在获取最佳重建权矩阵的过程中引入一个正则项约束,降低了其对噪声的敏感性。实验阶段,采用了AT&T和Yale人脸库和最近邻分类器测试该方法。结果表明,这种方法是有效的,且较无监督的KNPP方法及传统的经典人

维普资讯 doc.guandang.net

第2 8卷第 8期 20 0 8年 8月 文章编号：0 1 0 1 20 )8— 0 0— 3 10—9 8 ( 0 8 0 2 3 0

计算机应用 C mp tr A pi ai n o ue p l t s c o

V0 I 8 No l 2 8

Au g.2 08 0

基于非线性降维的人脸识别新算法 涂腾涛，嗣扬顾 (同济大学电子与信息工程学院，上海 2 10 0 84) (onr20@ ft i cr;i ng@ 13 cm cu t 0 8 i ma .o s a gu 6 .o ) y o l n y

摘

要：出了一种有监督的非线性核子空间人脸识别新方法。在核邻域保持投影方法的局部邻域构建过程中提

引入监督机制，更好地利用了人脸-l本的类别信息，高人脸识别的效率； 9练样 1提在获取最佳重建权矩阵的过程中引入 一

个正则项约束，降低了其对噪声的敏感性。实验阶段，用了 A&采 T T和 Y l脸库和最近邻分类器测试该方法。 a e人 关键词：邻域保持投影；线性降维；脸识别；空间学习核非人子 中图分类号： P9, T 3 14文献标志码： A

结果表明，这种方法是有效的，且较无监督的 K P N P方法及传统的经典人脸识别法具有更好的识别率和鲁棒性。

Ne f c e o nii n a g rt m w a e r c g to l o ih b s d 0 n i e r di e so lt e u to a e n n0 ln a m n i naiy r d c i n TU n to GU iy n Te g.a . S.a g ( colfEet nc a dI om tn ogi nvrt h n h i 0 8,C ia Sh o o l r i n f rai,T nj U i sy a ga 10 co s n o e i,S 2 4 hn ) Absr c: A e s p r ie e n ls s a e m eh d f rf c e o n to s p o o e ta t n w u e vs d k r e ub p c t o o a e r c g ii n wa r p s d. I a e te s fs m pe tm k sa betru eo a ls lbe if m ain - i to cng u r iin n he o sr c in f l c l eg o h o S a t i r v t e e o nii a l nor t o by n rdu i s pe s

o i t c n tu to o o a n ihb r o d O s o mp o e h r c g t v on e ce y; a d p stv r g l rz to wa a de i te an n o te opi l e o sr ci n i f inc n a o iie e u aia in s d d n h g ii g f h tma r c n t to weg t arx o u ih m t t ma e t i k i

i s n i v o te n i .I x e me t h s, t e A&T a d Yae fc aa a e r s d t e tti l o t m y u i g n e st e t h os i e n e p r n a p a e h T n l a e d tb s s wee u e o ts h s ag r h b sn i l i

teN aet e h oho N )a o tm t cnt c tec sies x e m na rsl hw ta t rpsdme o s h ers N i b rod( N l rh os t h l s r.E p r et ut so hth pooe t di g gi o u r a f i i l e s e h ef cie, r b s n ss p ro o n n—up rie fe t v o u ta d i u e rt o s e s d KNP a d t e ta ii n l si t o s i v P n h r d to a c a sc me h d, l

Ke r s e e N ihoho rsr n r et n( N P;nnierdm ninlyrd c o;f ercgio; ywod:K r l e brodPee igPo c o K P ) ol a i es a t e ut n a eo t n n g v j i n o i i c n i s bs a e la i g u p c e r n n

0引言 人脸识别是图像识别方面一直以来研究的热点问题之 一

在人脸识别中得到成功应用的线性子空间方法有：主元分析 ( r cp o pnn n yi,C、 P nia C m oe t a s P A)线性判决分析 ( ier i l Al s Lna Dsr ia tA a s,L A ) i i nn n yi D cm l s、独立元分析 (Idpn et need n

。

它是指利用计算机技术从包含人脸的静止图像或视频序

C m o etA a s,C o p nn n yi IA)和非负矩阵因子 ( o

—eai l s N nngt e v M txF c r ao, MF; ar ati t n N )基于核技术的非线性子空间分析 i oz i方法有：主元分析 ( e e P A, P A)核 Fse判决分核 Kr l C K C和 n i r h析( e e Fse i r iat n yi, F A)。其中， K r l i r s i nn A a s K D等 n h D cm l s线性

列图像中提取人脸的个性化特征，并以此自动识别出人的身份的一种技术。人脸图像是异常高维的数据(比如，0 4 0 30× 0 大小的图像位于 10 0 2 00的高维空间 )这势必给人脸识别工，作带来非常高的计算复杂度和高的存储容量等困难。但是， 我们知道通常有意义的图像 (包括指纹、脸谱图像等 )的本征

子空间法以 P A和 L A应用最为广泛 (在人脸识别应用 C D其 中分别对应的是 Egnae Fsef e法 )这类方法的主要 i f和 i rc e c h a,

维数是相对较低的，也就是说，高维图像数据存在相对低维的特征表达空间，以存在将高维数据向低维转化的可能性。所 这导致了人脸识别的通常的做法是通过降维处理寻找一个合适的低维子空间来表示人脸以达到缓解维数灾难问题。 目前的人脸识别方法归结为以下几大类…:体方法整 ( o sc e o s、于特征匹配的方法 ( etr.ae h lt m t d )基 ii h fa ebsd u

优点是计算简单、易于理解和实现；然而，由于 P A是基于重 C 建误差最小这一准则的，以识别率不太理想， L A在样所而 D本数目小于样本维数时会出现小样本问题，在样本较少的情况下效果反而不如 P A; C对于基于核技术的非线性子空间法， 尽管 K C P A比 P A更能表示人脸的复杂变化，由于它仍基 C但于最优重建的准则，以效果提高并不明显，时反而不如所有 Fse ae F A识别率也仍有待提高。它们的不足都是无 i r c。K D hf法发现数据的非线性结构。

m th gm t d) aci e o s和混合方法 (y r tos。其中整体方 n h hb dme d ) i h

法是研究热点之一，因其是将整个人脸区域作为识别系统的输人，不依赖于先验知识和参考模型的选择。而其中子空间学习法 (u sael rig又成为重中之重，

sbpc a n ) en其思想是：根据定的性能目标来寻找一线性或非线性的空间变换，原始把 一

近年来研究表明，图像很可能位于一个非线性流形人脸 上。, 目前，流形学习可分为两大类：全局映射和局部映射。

前者主要有等距映射 (sma );者有局部线性嵌人 i p后 o ( oay Lna m edn, L 和拉普拉斯特征映射 Lc l ierE bd i L E) l g ( alc nEgn a s。。但是这些方法都没有明晰的投影 L pai i m p ) a e 矩阵，而不能直接映射新的测试点 (点不同于训练集合从该中的任何点 )这个问题也被称为 O t f a l, u—— mpe问题。因 os

信号数据压缩到一个低维子空间，使数据在子空间中的分布

更加紧凑，为数据的更好描述提供了手段，较大降低计算的复杂度。子空间分析除了有线性和非线性空间变换之分外，根据不同的性能目标要求，到的子空间也是不一样的。目前得 收稿日期：0 8— 3—1;回日期：0 8—0— 1 20 0 0修 20 4 2。

作者简介：腾涛(9 3一)男，涂 18,江西余干人，硕士研究生，主要研究方向：图像处理、模式识别；顾嗣扬 ( 9 5一)江苏南京人， 16男副教授 ,

主要研究方向：计算机视觉、图像处理、模式识别、数据挖掘。