完备正交邻域保持判别嵌入人脸识别.docVIP

完备正交邻域保持判别嵌入人脸识别 　　摘要： 　　为解决邻域保持判别嵌入算法所面临的小样本问题，并充分利用类内邻域散度矩阵零空间和非零空间中的判别信息进行人脸识别，提出一种完备正交邻域保持判别嵌入的人脸识别算法。首先间接地利用特征分解方法去除总体邻域散度矩阵的零空间；然后分别在类内邻域散度矩阵零空间和非零空间中提取最优判别矢量。此外，为进一步提高算法的识别性能，给出了基于瘦QR分解的正交投影矩阵的求解方法。在ORL和Yale人脸库上验证了以上算法的有效性。 　　关键词：人脸识别；特征提取；零空间； 非零空间；邻域保持判别嵌入 　　中图分类号：TP391.41 　　文献标志码：A 　　0引言 　　特征提取是人脸识别的关键步骤，其主要目的是降维。较为经典的算法有主成分析（Principal Component Analysis，PCA）[1] 和线性判别分析（Linear Discriminant Analysis，LDA）[2] 。这两种算法都假设数据集处于欧氏空间中。而有研究表明，很多复杂对象处于某个流形子空间中[3-4]，在这种情况下，PCA和LDA将很可能失效。 　　2005年，He等[5]提出了一种邻域保持嵌入（Neighborhood Preserving Embedding， NPE）算法，与PCA、LDA相比，它能有效地保持原始数据的局部特性，将人脸投影到一个反映其本质的流形结构上。但是，NPE本质上仍是一种无监督学习方法，在学习过程中未考虑类判别信息。文献[6]考虑到类别信息，提出了有监督邻域保持嵌入（Supervised Neighborhood Preserving Embedding，SNPE）算法，一定程度上提高了NPE算法的识别性能，但该方法只考虑了类内判别信息，而未考虑类间判别信息，分类性能仍然偏弱。Han等[7]利用图嵌入（Graph Embedding）同时考虑类内和类间判别信息，提出了邻域保持判别嵌入（Neighbourhood Preserving Discriminant Embedding，NPDE）算法，并成功地应用到人脸识别中，文献[8]进行了相似的研究。但是，NPDE也存在一些问题，其求得的投影矩阵不具正交性，而已有研究表明[9-10]，具有正交性的特征提取算法，由于可以消除样本间的信息冗余且能更好地保留与度量结构有关的信息，因此能够明显提高算法的识别性能；其次在处理过程中会遇到小样本问题。 　　基于NPDE算法，本文提出一种完备正交邻域保持判别嵌入（Complete Orthogonal Neighbourhood Preserving Discriminant Embedding， CONPDE）算法。该算法同时提取类内邻域散度矩阵零空间和非零空间中判别信息，可有效地解决人脸识别中的小样本问题；为进一步提高算法的识别性能，采用基于瘦（economic）QR分解求解正交投影矩阵的方法。 　　为消除CONPDE识别结果的偶然性，考虑各种方法的识别率（平均识别率和标准差）如表3～4所示，表中各情形下的最佳识别率用粗体标出。实验结果表明，本文算法识别率是最高的且整体上相对稳定，保留局部结构算法的识别率要高于保留全局结构的算法。PCA算法的识别性能最低，因为其是无监督学习算法，没有使用类标签信息。LDA是有监督学习算法，虽然使用了标签信息，但提取的特征维数较少及忽视了流形的局部结构，识别率也偏低。不同于LDA，MFA没有假设所有类都是高斯分布的，而是将同类样本中邻近的样本拉近并让异类样本间邻近的样本远离，保留了数据的局部结构信息，从而识别率优于PCA与LDA。MFA和NPDE都是基于图嵌入的算法，都能保持数据的局部结构信息，但NPDE能更好地描述姿态、表情、光照变化的人脸图像，所以NPDE识别率优于MFA。CONPDE有效地解决了NPDE的小样本问题，充分利用了类内邻域散度矩阵零空间中的判别信息，且求得的投影矩阵是正交的，因此其识别率优于NPDE。但随着训练个数增加这种差别越来越小，这是因为此时类内邻域散度矩阵非零空间内含有的判别信息越来越多。 　　4结语 　　本文提出了完备正交邻域保持判别嵌入的人脸识别算法。与NPDE相比较，CONPDE有效地解决了人脸识别中的小样本问题，并充分利用了类内邻域散矩阵零空间中的判别信息，从而保证了算法的完备性；此外，在求解具正交性的投影矩阵时，采用了高效而稳定的瘦QR分解法。在Yale和ORL人脸库上的实验结果表明，当姿态、光照、表情等发生变化时，CONPDE具有良好的识别性能，是一种有效的人脸识别方法。本文讨论的都是线性降维方法，引入核技术将CONPDE算法推广到非线性降维领域是值得进一步研究的工作。 　　参考文献： 　　[