1、人臉識別已成為機器學習、模式識別和機器視覺等研究領域的熱點問題，在商業(yè)、公安系統(tǒng)等領域中更有著廣泛的應用。特征抽取一直是人臉識別研究的一個基本問題，如何從高維數(shù)據中找到一個有意義的更低維表示是特征抽取的關鍵所在。近年來的研究表明，旨在保留原始數(shù)據中的內在局部鄰域信息的流形學習方法適于處理人臉這類非線性結構數(shù)據，同時一些利用大量無類別標簽樣本和少量有類別標簽樣本來提升學習性能的半監(jiān)督學習引起了廣泛關注。但是這些算法在實際應用中仍然存在諸多

2、不足。本文在深入研究流形學習和半監(jiān)督學習的基礎上提出了一些改進算法，并在一些通用人臉圖像數(shù)據庫中驗證了算法的有效性，同時設計并實現(xiàn)了人臉識別原型系統(tǒng)，將現(xiàn)有的圖像處理算法即經典的人臉識別算法應用于實際中。
　　 本文主要工作包括以下五個方面：
　　 1、核監(jiān)督鑒別投影分析(Kernel Supervised Discriminant Projection Analysis)
　　 核方法(Kernel Metho

3、d)通過非線性映射使得原始空間中非線性可分的數(shù)據在特征空間中盡可能地線性可分，然而它沒有完全考慮數(shù)據集的局部性質同時其所帶來的計算復雜性仍然是一個問題。無監(jiān)督鑒別投影(Unsupervised DiscriminantProjection，UDP)這一流形學習算法有效地利用了數(shù)據集的局部和非局部性質，但是本質上沒有利用樣本數(shù)據的類別信息。為了解決核方法和無監(jiān)督鑒別投影(UDP)存在的問題，提出了一種核監(jiān)督鑒別投影分析方法。該方法首先將訓

4、練樣本通過一個核函數(shù)非線性映射到高維特征空間，在該特征空間中考慮了數(shù)據的局部和非局部性質以及類別信息。因此，該方法不僅保留了數(shù)據的局部鄰域信息，而且能夠抽取更有利于分類的非線性鑒別特征。在Yale人臉數(shù)據庫上的實驗驗證了該算法的有效性。
　　 2、基于局部和非局部均值的無監(jiān)督鑒別分析(Unsupervised DiscriminantAnalysis Based on the Local and Non-local Mean)<

5、br>　　 考慮到無監(jiān)督鑒別投影(UDP)很容易受到離群點的影響，同時無監(jiān)督鑒別投影(UDP)的計算時間較長。提出了一種基于局部和非局部均值的無監(jiān)督鑒別分析特征抽取方法，該方法利用局部和非局部均值來構造局部和非局部散度，從而在某種程度上克服了離群點所帶來的鑒別困難。此外，與無監(jiān)督鑒別投影相比，該方法的計算時間也有提高。在Yale、ORL和AR人臉數(shù)據庫上的實驗驗證了算法的有效性。
　　 3、基于局部均值的廣義散度差無監(jiān)督鑒別分

6、析(Local Mean Based GeneralizedScatter Difference Unsupervised Discriminant Analysis)
　　 無監(jiān)督鑒別投影(LIDP)考慮了數(shù)據集的局部和非局部特征，但是在人臉識別應用中不可避免地會出現(xiàn)“高維小樣本問題”。由于最大散度差鑒別準則是對Fisher鑒別準則的改進，從理論上消除了“高維小樣本問題”。因此提出了一種基于局部均值的廣義散度差無監(jiān)督鑒別分析方

7、法，該方法利用局部和非局部均值構造局部和非局部散度，再利用樣本的非局部均值散度與C倍的局部均值散度之差作為鑒別函數(shù)準則，不僅保留了樣本分布的局部信息，而且從本質上克服了“高維小樣本問題”。在Yale和FERET人臉數(shù)據庫上的實驗結果驗證了該算法的有效性。
　　 4、基于馬氏距離的半監(jiān)督鑒別分析(Mahalanobis Distance-based Semi-supervisedDiscriminant Analysis)

8、　　 針對人臉識別應用中人臉樣本的類別信息不足以及人臉樣本特征間存在相關性的問題，提出了一種基于馬氏距離的半監(jiān)督鑒別分析。該方法在圖嵌入框架下利用馬氏距離對數(shù)據集中帶有類別信息的樣本進行邊界Fisher分析(Marginal FisherAnalysis，MFA)，不僅保持了類內的緊密性和類間的分離性，而且能夠抽取出有利于分類的鑒別特征，同時將不帶類別信息的樣本用于描述數(shù)據集的幾何結構，保留了樣本間的局部鄰域信息。與傳統(tǒng)的特征抽取方法

9、相比，該方法有較好的識別性能，在ORL、Yale和AR人臉數(shù)據庫上的實驗驗證了該方法的有效性。
　　 5、局部相關性的半監(jiān)督鑒別分析(Local Correlation Semi-supervised DiscriminantAnalysis)
　　 線性鑒別分析(Linear Discriminant Analysis，LDA)是一類有監(jiān)督的線性特征抽取算法，由于利用了數(shù)據集中的類別信息，因此有較好的分類效果。邊界Fi

10、sher分析(MFA)是基于流形學習的有監(jiān)督特征抽取算法，通過構造類內近鄰圖和類間近鄰圖，以達到同類樣本盡可能地內聚，不同類樣本分離。但是隨著數(shù)據集中帶類別信息樣本的數(shù)量減少，LDA和MFA的性能將會降低，同時傳統(tǒng)的歐式距離難以描述樣本間的相似性。因此提出了一種局部相關性的半監(jiān)督鑒別分析，該方法根據樣本間的相似性構造類內相似性圖和類間相似性圖，然后建立新的鑒別準則用以分離每一樣本點鄰域內K1個相似性最小的同類樣本和K2個相似性最大的不同