SpLPP在人脸识别中的应用研究-计算软件与理论专业论文.docxVIP

重庆大学硕士学位论文中文摘要 重庆大学硕士学位论文 中文摘要 I I 摘 要 受公共安全、信息安全、司法检验等领域潜在的需求所推动，人脸识别是近年来模 式识别领域的一大研究热点，具有广阔的应用前景。特征提取是模式识别研究的核心内 容之一。它的基本过程是根据实际需要，定义一个函数映射，将数据从原始输入空间投 影到一个新的特征空间，从而提取出感兴趣的信息。 局部保持映射方法(LPP)和子模式局部保持映射方法(SpLPP)是有效的特征提取方 法，在人脸识别领域已得到广泛的应用。但LPP方法作用在整张人脸图像上，仅能提取 人脸的全局信息，难以顾及人脸的局部信息，故在复杂的人脸表情和光照条件下此方法 并不十分有效。SpLPP通过划分输入模式为多个等大互不重叠的子模式，然后利用LPP 在各个子模式中分别提取局部信息。该算法在一定意义上克服了传统LPP的局限性，但 是它对每个子模式都赋予了同样的分类重要性，从而容易导致信息的冗余和后期分类性 能的下降。为了克服SpLPP的缺点，更进一步提高算法的识别率，本文所做的研究工作 包括： ①本文首先对人脸识别领域的研究背景及意义、人脸识别技术涉及的理论和技术难 点、人脸识别领域的发展现状等基本问题进行综述，对典型的人脸识别方法进行分类阐 述。然后，本文又介绍了一些经典子空间方法的基本原理和优缺点。 ②受自适应加权子模式主成分分析(Aw-SpPCA)算法的启发，本文提出了自适应加 权子模式局部保持映射(Adaptively weighted Sub-pattern LPP ,Aw-SpLpp)算法，并成功地 将此算法用于人脸识别。该算法的实现过程如下：首先将人脸图像划分的多个等大、互 不重叠的子图像组成若干个子模式，并在其上进行LPP分析，然后计算每个子模式的贡 献度，最后把贡献度融合到分类器中进行模式分类。该方法试图强化人脸局部信息对人 脸识别的贡献度，并且能自适应地计算出人脸不同部位对识别的不同预期贡献，并把此 预期贡献作为权值结合到分类器中分类，以提高人脸识别性能。 ③利用MATLAB在三个国际标准人脸数据库（ORL、Yale和FERFE）上进行了识别 验证，结果表明，本文所提出算法的识别率比PCA、LDA、LPP、SpLPP有较大提高。 关键词：特征提取，人脸识别，LPP，SpLPP，Aw-SpLPP 重庆大学硕士学位论文英文摘要 重庆大学硕士学位论文 英文摘要 II II ABSTRACT Motivated by the extensive potential applications in public security, informaition security, judicial inspection, face recognition is an active subject in the pattern recognition area over the last decades which has a wide range of potential applications. Feature extraction is a critical problem in the research fields of pattern recognition. It is a basic process extracting a new set of features of interest from the original data through some mapping. LPP and SpLPP are effective feature extraction methods which are widely used in the face recognition field. But LPP operates directly on the whole face images and only global information about face image can be extracted while local information is neglected, hence LPP is not very effective under different facial expression and illumination condition. In Subpattern-based Locality Preserving Projections (SpLPP), an original whole large dimensional pattern denoted by a vector is partitioned into a set of equall