张量框架下的多线性人脸识别技术与研究.pdf

中文摘要 张量的多线性方法把人脸图象看作是几何结构，表情，姿态和 光照等多种因素的综合结果，然后运用张量方法分离出各个因素（如 姿态，光照，人等）子空间，应用到人脸识别中。这与线性子空间 方法相比，允许人脸姿态和光照较大的变化，而计算量上又优于非 线性子空间方法。根据这个思想，本文做了以下几点工作： 首先，鉴于彩色信息能提升人脸识别的性能，本文提出一种彩 色张量框架下的人脸识别算法，该算法在张量的多线性方法基础上 通过分解三维颜色张量融入彩色信息，并结合(2D)2-PCA 的降维。一 方面，(2D)2-PCA 能减少冗余信息，提取有用信息，而且降维能提高 执行效率；另一方面，彩色信息的融入能增加有用信息，提高识别 率。该算法在Weizmann 数据库和Facepix 数据库上进行了验证和比 较，相比原有方法，性能上得到了显著的提高。 其次，张量的分解是PCA 在高阶上的扩展，目前并存着多种张 量分解方法，各有自己的优缺点，没有一种方法能满足 PCA(matrix SVD)的所有性质。本文在 ORL 人脸数据库上比较分析了四种经典 的张量分解方法：Higher-Order Singular Value Decomposition (HO-SVD), Higher-Order Orthogonal Iteration (HOOI), Slice Projection (SP), 和 Multislice Projection(MP) 。实验结果显示这四种方法用到人 脸识别上没有多大区别，这主要是因为人脸张量数据不是大张量， 较小的拟合度差别并不影响人脸识别率。考虑到HO-SVD 比较简单， 本研究选用HO-SVD 。 最后，本文基于以上算法的思想，提出PCA 的一种变形方法， 传统的PCA 是将人脸图像数据进行奇异值分解：A ＝ U ∑VT ，通过 向U 投影实现人脸识别，而本文向U ∑投影，主要思想是：V 表示 样本空间，将未知人脸向U ∑投影然后与V 比较，找到与它最近的 样本空间的点就是它所属的类别。本文进行多次实验验证，结果表 明该算法能提高性能。 关键词：彩色张量框架；(2D)2-PCA ； 张量的分解；PCA 的变形； 多线性投影 Abstract Tensor-based multilinear approaches regard human face as the composite consequence of geometries, viewpoints and illuminations, and use tensor decomposing algebra to get factor (i.e viewpoint, illumination, person, etc) subspaces for recognition. The algorithm allows for bigger changes in viewpoints and illuminations than linear subspace, and is less computationally expensive than non-linear methods. Based on the method, the major work done by the paper is summarized as follows: Firstly, given that the color information can improve face recognition, we propose an algorithm in a color tensor framework. Based on the above algorithm, the algorithm adds color information by decomposing 3D color tensor, using (2D)2-PCA before the tensor