学位论文 > 优秀研究生学位论文题录展示

基于流形学习和张量的多姿态人脸识别研究

作　者: 李维清
导　师: 陈锻生
学　校: 华侨大学
专　业: 计算机应用技术
关键词: 人脸识别姿态估计流形学习张量脸
分类号: TP391.41
类　型: 硕士论文
年　份: 2011年
下　载: 85次
引　用: 0次
阅　读: 论文下载

内容摘要

在人脸识别中,如果人脸图像是非正面的,识别效果会大大降低。如果预先估计人脸姿态再选择合适的视角模型进行识别,将会提高非正面人脸的识别率。张量方法把人脸图像看作是几何结构,姿态和光照等多因素的综合结果,并可分离出各个子空间。流形学习方法可以将姿态子空间排列成一个连续的姿态流形,并能够估计出新样本的姿态近似值。考虑在研究基于张量的多姿态人脸识别时,先用流形学习估计出人脸的姿态范围,然后将身份子张量只投向该范围内的姿态进行识别。这样在人脸姿态有较大变化时,也能得到较好的识别率。根据这个思路,本文开展了以下研究工作:1.比较基于流形学习的人脸姿态估计方法:基于流形学习的人脸姿态估计方法有:LLE、LE、LEA、LPP等,其中LEA、LPP分别是LLE、LE的近似线性改进方法。为选取一种估计误差小的方法作为本文研究姿态估计的方法,本文通过对比实验,选用LEA作为本文姿态估计的研究方法。2.对LEA姿态估计方法做了改进:LEA在人脸姿态估计时,选择局部邻域只考虑同类姿态,这样就失去了相邻姿态的几何拓扑信息。本文提出一种改进的邻域选择方法,充分利用先验姿态信息,使同类姿态互相靠近,异类姿态距离随着姿态差值变大而增大,且能够使训练及测试样本的低维流形更加靠近,降低误差。在Facepix人脸数据库上的实验证明了该方法的有效性。3.提出一种基于流形学习和张量脸的多姿态人脸识别方法:传统的张量脸方法在进行人脸识别时,有以下缺点: (1)将待识别样本投向所有姿态,计算量大识别率低; (2)用张量脸表示人脸时维数很高,传统以PCA进行降维,但PCA是线性方法,而张量脸是高阶非线性结构,降维后将会丢失非线性信息。针对这些缺点,首先用本文提出的改进LEA方法估计人脸姿态范围,在张量脸识别时只投向该范围内姿态,既提高效率又提高识别率;其次用LLE代替PCA进行张量降维, LLE是非线性降维方法,降维后能够保持高维时的非线性结构。本文方法很好的解决了张量的非线性处理不足问题,在姿态变化较大时,也能够比较好的进行人脸识别。大量实验证明了此方法的有效性。

全文目录

摘要  3-5
Abstract  5-10
第一章绪论  10-20
  1.1 课题的研究背景  10-14
    1.1.1 人脸识别的研究意义  11
    1.1.2 人脸识别的研究内容  11-14
  1.2 人脸识别的发展及现状  14-16
  1.3 人脸识别方法  16-18
    1.3.1 基于子空间的方法  16-17
    1.3.2 基于神经网络的方法  17-18
    1.3.3 基于三维模型的方法  18
  1.4 本文的研究工作及组织结构  18-20
第二章基于流形学习的人脸姿态估计  20-36
  2.1 人脸姿态估计方法  20-23
  2.2 流形学习简介  23-30
    2.2.1 流形学习的数学基础  23-24
    2.2.2 流形学习经典算法简介  24-30
  2.3 基于流形学习的头部姿态估计  30-32
  2.4 LEA 方法及本文改进算法  32-35
  2.5 本章小结  35-36
第三章基于张量脸的多姿态人脸识别  36-44
  3.1 张量的相关知识  36-40
    3.1.1 张量的相关定义  36-38
    3.1.2 张量的分解  38-40
  3.2 融合姿态估计的张量脸识别方法  40-43
  3.3 本章小结  43-44
第四章实验验证与分析  44-53
  4.1 人脸图像库介绍  44-45
  4.2 实验结果与分析  45-52
    4.2.1 LPP、LEA 方法比较  45
    4.2.2 人脸姿态估计  45-49
    4.2.3 人脸识别  49-52
  4.3 本章小结  52-53
第五章总结与展望  53-55
参考文献  55-60
致谢  60-61
攻读硕士学位期间发表的论文  61

基于流形学习和张量的多姿态人脸识别研究

内容摘要

全文目录

相似论文