外文翻译译文-智能安防人脸识别系统研究与开发.docVIP

附件1：外文资料翻译译文 使用最类似RBPCA和信息融合方法提高人脸识别性能 Denis H.P. Salvadeo, Nelson D.A. Mascarenhas, Jander Moreira, and Alexandre L.M. Levada，巴西圣卡洛斯联邦大学。Débora C. Corrêa，巴西圣卡洛斯物理研究所 由于有限的可用样本，人脸识别是一个典型的不适定问题。实验结果显示，结合多分类器融合的最类似的RBPCA方法，结合协方差矩阵正则化和基于快的主成分分析，能为人脸识别提供一个有效的框架，减轻小样本容量的问题。 随着生物统计学系统的出现，人脸识别在安全和监控应用中被广泛应用。在生物统计学中最具挑战性的任务之一就是人脸识别，包括在一个已知人脸库中将一个输入人脸与个别条目进行联系起来。人脸识别过程包括两个主要的步骤：特征提取和特征分类，包括整体的、基于特征的以及混合匹配方法。在人脸识别中的主要技术问题，如变化性大，复杂的非线性增加剧烈，高维数以及比较少的样本容量是所以常见的存在的问题。 我们提出了一个人脸识别系统，应用现阶段成熟的最类似的RBPCA技术，通过结合分类器来提高分类性能。它是一个统计的分类器，结合了协方差矩阵正则化、基于分块的主成分分析以及最大似然分类器。就如我们所知道的，这是研究者第一次将最类似的RBPCA和信息融合方法结合起来解决人脸识别的问题。 通过为人脸图像创建一个统计模型，来对人脸识别创建一个异常的分类器系统。通过最大似然法得到有监督参数的分类器和贝叶斯分类器是人脸识别中的主要任务。换而言之，为统计的人脸识别提供一个新的框架。在决策规则中，还将一个分类器结合方案应用于合并更多相关的信息，减轻小样本容量的问题。与其他广泛使用的人脸识别分类器方法相比较，我们提出的系统更具有有效性。 特征提取 可以将特征提取中的分类器问题归纳为三个主要的内容：完全的超空间的非视觉几何、维数灾难和计算复杂度。而使用一个低维数特征控件能提高分类器使得它一般化。人脸识别要处理一个更加繁琐的问题，因为维数很高使得特征提取方法使用起来比较强制。 PCA以及它的变体 PCA是一个典型的非监督的二阶方法，实现KL变换是使用协方差矩阵的特征值以及特征向量来变换特征空间，得出正交不相关的特征。 使用5种不同的KL变换：KL1(原始的PCA)到KL5。它们之间的不同点是如何选择组成特征向量的元素以及如何合并每类额外的信息。例如：特征向量并非来自混合协方差矩阵，也不是来自每类的平均协方差矩阵。或者，可以根据熵判据来排序特征。这些PCA变体相对于独立分量分析的优点是在特征提取中可以从每类中合并统计量（例如类条件平均值，变量，以及协方差），从而明确监督方法。 基于分块的主成分分析 我们提出了PCA变量，将每个脸部图像分成k×k块。每块大小相同（4×4,8×8等）。我们执行PCA就像每块是一个样本，也就是k×k块投射出m个特征向量关联m个最大特征值。每k×k块减小到一个较小的像素子集，减少了每幅人脸图的空间维度。因此，维数减少并没有从人脸中使用所有的信息。 BPCA特征没有将不同人脸的线性组合列入。相对于从PCA以及LDA中获得的，它们创建了一个完全不同的子空间。PCA是一个非监督的映射，将原始的预计表现中的均方误差减小到最少。而LDA是一个监督映射，有载体和方向，在特征空间中将数据分离性最佳化，即最小化同类距离的同时最佳化相互类的距离。而LDA有两大弊端。一是特征数量要适应类的数量，二是它必须抗衡小样本容量的问题。因此BPCA特征代表相同脸中小点的混合。 图1显示了我们提出的BPCA方法的块状图。图像先被分成k×k块。通过使用词典标记，可以计算出每个脸的平均块矩阵以及协方差矩阵。其中，通过减少每k×k块到单一的像素点将图像变换，更具r个特征形成一个最终图像载体。 BPCA以及其它的基于块的PCA变体之间最主要的不同点在于：当BPCA直接应用于每个单个的图像（将PCA应用于单个图像），其它的方法使用块概念来将每个样本看作属于一个不同人脸图（将PCA应用于不同的图像）。 图1块状PCA方法图。图像先被分成k×k块。通过使用词典标记，我们可以计算出每个脸的平均块矩阵以及协方差矩阵。 混合LOOC2正则化 为了防止在高维数据分类中协方差矩阵奇异性，陈国富和朗德格里比提出了混合Looc2正则化标准使得协方差矩阵正则化。该方法具有两个主要原则。首先，当处理小容量样本问题时，共同的协方差矩阵可以代替阶协方差矩阵。虽然共同的协方差矩阵也是单数的，但是它能使估计误差减小。其次，通过在协方差矩阵的主对角线插入一个小的扰动，它能避免奇异性。 混合Looc2正则化标准提出了以下的第i类协方差矩阵正则化的表示法：