1、自動(dòng)人臉識(shí)別是一個(gè)前沿的研究課題，受到社會(huì)各界越來(lái)越多的關(guān)注。本文主要研究了人臉識(shí)別中的流形算法、判別算法、姿態(tài)估計(jì)和特征層融合問(wèn)題。 本文的主要成果如下： 1)在LLE的基礎(chǔ)上添加了兩個(gè)約束，即樣本由同類樣本重構(gòu)誤差較小，而由其它類樣本重構(gòu)誤差很大，提出了改進(jìn)算法判別LLE(DLLE)。DLLE利用樣本類別有監(jiān)督地學(xué)習(xí)映射。在低維空間，DLLE使得不同流形相互分離，同時(shí)又保持了流形內(nèi)部的樣本結(jié)構(gòu)。把DLLE用在姿態(tài)無(wú)關(guān)

2、的人臉識(shí)別中取得了很好的效果。在實(shí)驗(yàn)中，不同人由姿態(tài)變化形成的流形在低維空間可以完全分離，同時(shí)流形內(nèi)部的樣本按照角度大小依次排列。 2)總結(jié)了LDA方法和它的一些變種及其存在的問(wèn)題，提出了三種新的LDA變種CCLDA、SC—LDA和SFisherface，它們都可以緩解LDA訓(xùn)練過(guò)程中的過(guò)學(xué)習(xí)問(wèn)題。在識(shí)別中，采用相關(guān)性度量通常能比L2距離取得更好的效果。受到這個(gè)現(xiàn)象啟發(fā)，CCLDA在提出目標(biāo)函數(shù)的過(guò)程中加入了相關(guān)性約束，目的是使

3、最終的投影向量彼此統(tǒng)計(jì)無(wú)關(guān)。在人臉表情實(shí)驗(yàn)和掌紋實(shí)驗(yàn)中，在相關(guān)性度量下，CCLDA取得了最高識(shí)別率。鏡像對(duì)稱性是人臉的一個(gè)基本特征，SFisherface利用這一特性，首先使用SPCA把訓(xùn)練樣本降維到對(duì)稱子空間，然后利用Fisher線性判別找到最終的判別空間。SC—LDA則把對(duì)稱性約束直接施加在投影向量中，并反映在了目標(biāo)函數(shù)里。加入鏡像對(duì)稱約束，可以在一定程度上克服識(shí)別中如表情、光照和姿態(tài)等干擾。在實(shí)驗(yàn)中，SFisherface和SC—

4、LDA在上述干擾出現(xiàn)的條件下，識(shí)別率比Fisherface有了很大提高。把鏡像樣本直接加入訓(xùn)練樣本是經(jīng)常使用的方法，在實(shí)驗(yàn)中SFisherface和SC—LDA的識(shí)別率要高于這種方法，同時(shí)在樣本數(shù)目較多的情況下計(jì)算量反而低于Fisherface。 3)使用典型相關(guān)分析估計(jì)人臉姿態(tài)。CCA在以前的應(yīng)用中通常用來(lái)估計(jì)單一物體的姿態(tài)或者做數(shù)據(jù)可視化。因?yàn)槿四樖峭庑魏苡幸?guī)律的3D物體，本文使用CCA建立該物體類和姿態(tài)空間的關(guān)系。由于人臉

5、外觀空間的非線性很強(qiáng)，使用核CCA的方法對(duì)外觀空間核化，最后通過(guò)多變量線性回歸計(jì)算人臉圖像的姿態(tài)。在角度范圍為—60到60度之間，KCCA的估計(jì)誤差要低于LLE和Isomap這兩種流形方法，也低于PCA這種外觀空間方法。 4)為了克服典型相關(guān)分析在特征融合中的不足，本文定義了類內(nèi)相關(guān)性和類間相關(guān)性，把類別信息加入到了目標(biāo)函數(shù)中，提出了ECA。與CCA相比，ECA有效地利用了類別信息，保留了CCA中投影向量互不相關(guān)的特性，同時(shí)使得