（应用数学专业论文）面向人脸识别的快速特征提取与稀疏表示方法研究.pdf

中文摘要 摘要 高阶张量分解与稀疏表示成为模式识别与图像分析领域中的有力工具。许多实验 结果都呈现出了显著的识别性能。对张量数据使用高阶奇异值分解得到人脸图像在不 同光照、表情、姿势以及身份条件下的低维表示，从而基于张量子空间的学习算法能 够更好地揭示流形内在的几何结构。稀疏表示分类采用l 1 正则化的回归模型，可以有 效地提高算法的泛化能力。 双向主成分分析方法( b d p c a ) 在本质上属于双线性方法，它首先构造出图 像协方差矩阵( 行协方差阵与列协方差阵) ，然后求出对应的特征向量作为投影向 量。因为这两个协方差阵的大小分别等于图像的宽度与高度，所以相对于主成分分析 ( p c a ) 中的协方差阵而言，维数减小了很多。双向主成分分析不仅减少了人脸识别 所需的投影向量个数，同时在识别精度上也达到了很高的性能。然而，该方法一直都 应用于批量训练的模式，也就是说，所有的训练样本都必须在计算投影向量之前输入 到训练系统，如果有额外的样本被采集，则相应的投影向量必须被整个训练集重复更 新。更主要的是，散度矩阵表示为所有图像协方差矩阵之和，这就使得在散度上的增 量学习更加困难，因此对在线学习提出了新的挑战。为了克服这些困难，我们借助于 高阶张量分解、舡模式展开与矩阵化等概念，提出了基于奇异值修正的双向主成分在线 学习算法，在多个不同数据库上的实验结果表明，在线学习算法可以高效地应用于人 脸识别。 矩阵的广义低阶逼近( g l r a m ) 方法，已经在模式识别和机器学习领域取得了广泛 的应用。该方法通过迭代优化进一步寻求图像在行与列空间中的最佳投影方向。我们 提出使用双i 句l a n c z o s 成分逼近由特征值分解得到的投影向量，每一个样本点都以二维 矩阵的形式存在，而不需要将其转化为维向量形式，从而避免复杂度较高的特征值 分解。该方法逐步减小基于f r o b e n i u s 范数优化问题的重构误差，并且导致逼近性能在 连续的迭代过程中不断提高。另外，关于参数选择，我们也将给出理论线索以寻求合 第1 页 中山大学博士学位论文 适的投影个数。在人脸识别与图像分类问题上的实验结果表明，双向l a n c z o s 成分方法 仅仅使用较少的l a n c z o s 向量来实现降维和特征提取，因而是十分高效的，不仅得到了 高于其他主要方法的识别率，而且在计算时间上有了明显的改进。 压缩感知( c s ) 理论与稀疏表示( s r ) 方法近来得到快速发展并受到了许多学者 的推崇。压缩感知理论一经提出，就在信息论、信号图像处理、模式识别、无线通信 等领域受到高度荚注，并被美国科技评论评为2 0 0 7 年度十大科技进展。目前c s 理沦的 研究尚属于起步阶段，但已表现出强大的生命力，并成为数学领域和工程应用领域的 一大研究热点。j w r i g h t 等人将稀疏表示方法引入到人脸识别领域中，不仅进一步拓 广了压缩感知的应用空间，而且让人们对人脸识别产生了更高层次的新认识。与传统 的判别方法相比，压缩感知方法不仅能够避免广义特征值分解带来的复杂计算与奇异 问题，而且有效地提高了算法的泛化能力。然而，我们在实验仿真过程中发现，当训 练样本较少时，先通过随机投影降维，然后使用稀疏表示方法分类，相应的识别效果 反而不如传统的线性判别方法或流形学习方法。因而，进一步提高特征的冗余性与组 合系数的稀疏性，就显得十分必要。弹性网理论是最近统计学和生物信息学领域发展 起来的模型选择方法，它是对传统的l 2 理论的新发展，采用三l 惩罚与三2 惩罚相结合， 可以用来保持系统的稳定性能。我们将弹性网正则化方法应用于稀疏表示模型，得到 了比原方法更加稀疏的表示和更加稳定的结果，同时得到了更高的人脸识别率。 假设数据是均匀采样于一个高维欧氏空间中的低维流形，流形学习( m a n i f o l d l e a r n i n g ) 就是从高维采样数据中恢复低维流形结构，即找到高维空间中的低维流形， 并求出相应的嵌入映射，以实现维数约简或者数据可视化。由此，我们可以通过线性 关系来刻画这些对象的局部近邻结构。正交近邻保持投影方法( o n p p ) 构造出近邻图 来对数据拓扑结构进行建模，它的权重根据每一个节点的近邻几何特征来确定。对于 最佳线性投影的计算，将限制每一个样本点在低维空间中近邻之间的权重保持与原始 高维空间中的近邻权重相同，然后得到从输入空间到输出空间显式的线性投影，因而 显得非常简便。但是，从认知对象当中提取的特征可能会包含高阶结构。在揭示这些 内蕴结构的时候，如果忽略对象本身的结构特点，面单纯地将先转化为一维向量，就 第1 i 页 中文摘要 会破坏其固有的本质特征，并导致“维数灾难”我们将正交近邻保持投影方法推广 到2 阶张量形式，并在人脸识别实验中取得了很好的效果。 关键词：快速算法，特征提取，小样本问题，稀疏表示，弹性网正则化，人脸识别。 第1 i i 页 中山大学博士学位论文 a b s t r a c t h i g h - o r d e rt e n s o rd e c o m p o s i t i o na n ds p a r s er e p r e s e n t a t i o nb e c o m ep o w e r f u lt o o l si nt h e f i e l do fp a t t e r nr e c o g n i t i o na n di m a g ea n a l y s i s m a n yr e s u l t sh a v ep r e s e n t e ds i g n i f i c a n t r e c o g n i t i o np e r f o r m a n c e f o rt h et e n s o rd a t a ，w eo b t a i n e dt h el o w e r - d i m e n s i o n a lr e p - r e s e n t a t i o n sb yl l i g l l o r d e rs i n g u l a rv a l u ed e c o m p o s i t i o no ff a c ei m a g e su n d e rd i f f e r e n t l i g h t i n g ，f a c i a le x p r e s s i o n s ，g e s t u r e s ，a n di d e n t i t i e s ，t h e nt h es u b s p a c e - b a s e dl e a r n i n ga p g o r i t h m sa r ea b l et or e v e a lt h ei n t e r n a lg e o m e t r i c a ls t r u c t u r eb e t w e e nt h ed a t ap o i n t s l l r e g u l a r i z e dr e g r e s s i o nm o d e li sa d o p t e di nt h es p a r s er e p r e s e n t a t i o nc l a s s i f i c a t i o nm e t h o d ， w h i c hc a ni m p r o v et h eg e n e r a l i z a t i o na b i l i t yf o rt h er e c o g n i t i o na l g o r i t h m b i d i r e c t i o n a lp r i n c i p a lc o m p o n e n t sa n a l y s i s ( b d p c a ) i sab f l i n e a rm e t h o df o rd i - m e n s i o n a l i t yr e d u c t i o n ，w h i c hf i r s tc o n s t r u c t si m a g ec o v a r i a n c em a t r i c e s ( r o wc o v a r i a n c e m a t r i xa n dc o l u m nc o v a r i a n c em a t d x ) ，t h e nf i n dt h ep r o j e c t i o nv e c t o r sv i ae i g e n v a l u e d e c o m p o s i t i o n t 1 1 es i z e so ft h eb o t hc o v a r i a n c em a t r i c e sa r ee q u a lt ot h ew i d t ha n d h e i g h to ft h ei m a g e ，r e s p e c t i v e l y , c o m p a r e dt ot h a to fc o v a r i a n c em a t r i xu s e di np r i n c i p a l c o m p o n e n t sa n a l y s i s ( p c a ) ，c o m p a r e dt ot h a to fc o v a r i a n c em a t r i xo ft h ep r i n c i p a lt o m - p o n e n ta n a l y s i s ，i ti ss ol o wt h a tt h es a m p l e sa r ec o m p r e s s e dw e l l b i d i r e c t i o n a lp r i n c i p a l c o m p o n e n t sa n a l y s i sn o to u l yr e d u c et h en u m b e ro fr e q u i r e df e a t u r e sf o rf a c er e c o g n i t i o n ， b u ta l s oa c h i e v e dah i g hr e c o g n i t i o na c c u r a c ys i m u l t a n e o u s l y h o w e v e r ，t h em e t h o dh a s b e e na p p l i e dt ob a t c ht r a i n i n gm o d e ，t h a ti s ，a l lt h et r a i n i n gs a m p l e sh a v et ob ec o l l e c t e d b e f o r ec a l c u l a t i n gt h ep r o j e c t i o nv e c t o r s ，i fa d d i t i o n a ls a m p l e sw e r ec a p t u r e da n di n p u t i n t ot h et r a i n i n gs y s t e m ，t h ec o r r e s p o n d i n gp r o j e c t i o nv e c t o r sm u s tb eu p d a t e dw i t ht h e e n t i r et r a i n i n gs e t w h a ti sm o r e ，t h es c a t t e rm a t r i c e sa r er e p r e s e n t e da ss u i n so ft h e r o wi m a g ec o v a r i a n c em a t r i xa n dc o l u m nc o v a r i a n c em a t r i xr e s p e c t i v e l y , i tm a k e si n c r e - m e n t a ll e a r n i n gd i f f i c u l t ，t h u sp r e s e n t sn e wc h a l l e n g e sf o ro n l i n el e a r n i n g t oo v e r c o m e 第页 英文摘要 t h e s ed i f f i c u l t i e s ，w eu s eh i ：g ho r d e rt e n s o rd e c o m p o s i t i o na n dk - m o d em a t r i xu n f o l d i n g m e t h o dt od e v e l o pas v d - u p d a t i n gb a s e db d p c ao n l i n el e a r n i n ga l g o r i t h m ( i b d p c a ) ， t h ee x p e r i m e n t a lr e s u l t so ns e v e r a ld a t a b a s e ss h o wt h a tt h en e wo n l i n el e a r n i n ga l g o r i t h m c a nb ee f f i c i e n t l ya p p l i e dt of a c er e c o g n i t i o n i na d d i t i o n ，w ea l s og i v et h e o r yc l u e st o s e e ks u i t a b l en u m b e r so fp r o j e c t i v ed i r e c t i o n s g e n e r a l i z e dl o wr a n ka p p r o x i m a t i o no fm a t r i x ( g l r a m ) m e t h o dh a sr e c e i v e ds u c - c e s s f u la p p l i c a t i o ni np a t t e r nr e c o g n i t i o na n dm a c h i n el e a r n i n g w eu s eb i d i r e c t i o n a l l a n c z o sc o m p o n e n t st oa p p r o x i m a t et h ep r o j e c t i v ev e c t o r so b t a i n e df r o me i g e n v a l u ed e - c o m p o s i t i o ni nt h eg l r a mm e t h o d ，w h e r ee v e r yd a t ap o i n t sk e e pt h ef o r mo ft w od i - m e n s i o n a lm a t r i x ，i n s t e a do fo n ed i m e n s i o n a lv e c t o r s ，t h u st h et i m e - c o n s u m i n ge i g e n v a l u e d e c o m p o s i t i o np r o c e d u r ei sa v o i d e d t h em e t h o dg r a d u a l l yr e d u c e st h ef r o b e n i u sn o r l n b a s e dr e c o n s t m c t m ne r r o rc r i t e r i o n ，a n dl e a dt ot h ea p p r o x i m a t i o nc o n v e r g e dt ot h ea c - c u r a t es o l u t i o ni nas u c c e s so fi t e r a t i o n s e x p e r i m e n t a lr e s u l t so nf a c er e c o g n i t i o na n d i m a g ec l a s s i f i c a t i o ns h o wt h a to u rp r o p o s e dn e wm e t h o di sv e r ye f f i c i e n ta n de f f e c t i v e c o m p r e s s e ds e n s i n g ( c s ) t h e o r i e sa n ds p a r s er e p r e s e n t a t i o nm e t h o dr e c e n t l yr e c e i v e v e r yr a p i dd e v e l o p m e n t c o m p r e s s e ds e n s i n gt h e o r i e sw e r ep u tf o r t h ，t h e yw e r eh i g m y c o n c e r n e di nt h ei n f o r m a t i o nt h e o r y , s i g n a l i m a g ep r o c e s s i n g ，p a t t e r nr e c o g n i t i o n ，w i r e - l e s sc o m m u n i c a t i o n sa n do t h e rc o m m u n i t i e s c sa l s on a m e dt h e2 0 0 7t o pt e na d v a n c e s i nt e c h n o l o g yb yt h eu s t e c h n o l o g yr e v i e w a l t h o u g hc st h e o r yr e s e a r c hi ss t i l la t t h ee l e m e n t a r ys t a g e ，i th a ss h o w ng r e a tv i t a l i t y j w r i g h te ta 1 i n t r o d u c es p a r s er e p - r e s e n t a t i o ni n t ot h ef a c er e c o g n i t i o nf i e l d ，n o to n l yf u r t h e re x t e n d st h ea p p l i c a t i o ns p a c e o fc o m p r e s s e ds e n s i n g ，b u ta l s oo b t a i nn e wk n o w l e d g eo nt h ef a c er e c o g n i t i o np r o b l e m s c o m p a r e dw i t ho t h e rt r a d i t m n a ld i s c r i m i n a n tm e t h o d s ，c o m p r e s s i o ns e n s i n gm e t h o dc a l l a v o i dt h eg e n e r a l i z e de i g e n v a l u ed e c o m p o s i t i o no p e r a t i o n ，w h i c hi su s u a l l ys i n g u l a ra n d t i m e - c o n s u m i n g ，a n de f f e c t i v e l yi m p r o v et h ea l g o r i t h m sg e n e r a l i z a t i o na b i l i t y h o w e v e r ， i nt h ee x p e r i m e n t a ls i m u l a t i o nw ef o u n dt h a tw h e nt h en u m b e ro ft r a i n i n gs a m p l e si s 第v 页 中山大学博士学位论文 s m a l l ，t h er e c o g n i t i o nr e s u l t 葛o b t a i n e df r o ms p a r s er e p r e s e n t a t i o nc l a s s i f i c a t i o na r ei n f e - r i o rt ot h a to ft r a d i t i o n a ll i n e a rd i s c r i m i n a n tm e t h o d so rm a n i f o l dl e a r n i n ga p p r o a c h e s a sar e s u l t ，i ts e e m sv e r yn e c e s s a r yt of u r t h e re n h a n c et h er e d u n d a n c yo ff e a t u r e sa n d s p a r s i t yo fc o m b i n a t i o n a lc o e f f i c i e n t s e l a s t i c - n e tr e g u l a r i z a t i o ni st h em o s tr e c e n tm o d e l s e l e c t i o na p p r o a c hi ns t a t i s t i c sa n db i o i n f o r m a t i c s ，w h i c hi st h en e wd e v e l o p m e n to ft r a d i - t i o n a ll 2m e t h o d ，a n dt h ec o m b i n a t i o no fl 1p e n a l t ya n d 岛p e n a l t ye f f e c t i v e l yp r e s e r v e s t h es t a b i l i t yo fs y s t e m s w ea p p l yt h ee l a s t i c - n e tr e g u l a r i z a t i o nm e t h o dt ot h es p a r s er e p - r e s e n t a t i o nm o d e l ，a n do b t a i nm o r es p a r s er e p r e s e n t a t i o na n dm o r es t a b l ep e r f o r m a n c e ， e s p e c i a l l y , a l s oo b t a i nah i g h e rr e c o g n i t i o nr a t e m a n i f o l dl e a r n i n ga f l s u m e st h a tt h es c a t t e r e dd a t ap o i n t sm u s tb ed i s t r i b u t e do n au n d e r l y i n gm a n i f o l dt h a te a c hs a m p l ec a r lb el i n e a r l yr e c o n s t r u c t e db yi t sn e i g h b o r s t h u s ，w ec a nu s el i n e a rr e l a t i o n s h i pt od e s c r i b et h e s eo b j e c t so fl o c a ln e i g h b o rs t r u c t u r e o r t h o g o n a ln e i g h b o r sp r e s e r v i n gp r o j e c t i o n ( o n p p ) m e t h o dc o n s t r u c t san e i g h b o rg r a p h t ob u i l dt h ed a t at o p o l o g ym o d e l ，a n dt h ew e i g h t sa r ed e t e r m i n e db ye a c hn o d e sn e i g h b o r g o n m e t r y f o rt h ec a l c u l a t i o no fb e s tl i n e a rp r o j e c t i o nd i r e c t i o n s ，t h ew e i g h t sb e t w e e n t i l el o wd i m e n s i o n a lf e a t u r es p a c ea r er e s t r i c t e dt ob ei d e n t i c a lw i t ht h eh i g hd i m e n s i o n a l s a m p l e si nt h eo r i g i n a li n p u ts p a c e ，t h e nw ec a ng e tt h ee x p l i c i tl i n e a rp r o j e c t i o n s g e u e r a l l ys p e a k i n g ，t h ee x t r a c t e df e a t u r e sm a yi n c l u d eh i g h e ro r d e rs t r u c t u r e f o r e x a m p l e ，a l li m a g ei sas e e o n d - o r d e rt e n s o r ( m a t r i xf o r m ) ，t h es e q u e n t i a l l yc a p t u r e d p i c t u r e si nv i d e oa n a l y s i sa r ei nt h ef o r mo f3 t h - o r d e rt e n s o r t or e v e a lt h ei n t r i n s i c s t r u f tu r e ，i fw es t i l ln e g l e c tt h es t r u c t u r ec h a r a c t e r i s t i c so ft h ed a t a ，a n dr e s h a p et h et w o l ”n s i o n a ii m a g e st oo n ed i m e n s i o n a lv e c t o r sf i r s t ，t h ei n h e r e n tn a t u r e so fo b j e c t sw i l l b ed m n a g e da n dl e a dt oc u r s eo fd i m e n s i o n a l i t y w ee x t e n dt h eo r t h o g o n a ln e i g h b o r h o o d s p l e s e r v i n gp r o j e c t i o nm e t h o di n t ot w od i m e n s i o n a lc a f l e ，a n dt h ee x p e r i m e n t so nf a c e r p rr ) g n i t i o na c h i e v ev e r yg o o dr e s u l t s 第页 英文摘要 k e yw o r d s ：f a s ta l g o r i t h m ，f e a t w ee x t r a c t i o n ，s m a l ls a m p l es i z ep r o b l e m ，s p a r s e r e p r e s e n t a t i o n ，e l a s t i c - n e tr e g u l a r i z a t i o n ，f a c er e c o g n i t i o n 第v i i 页 中山大学博士学位论文 插图 二1 奇异值分解( 第一行) 及其截断形式( 第二行) 。1 7 2 23 阶图像张量a 沿着前两个模式展开的矩阵化过程，其中a ( 1 ) r m 期k ， a ( 2 ) r n x m l r 。矩阵a o ) 中的红色元素与矩阵a ( 2 ) 中的蓝色元素分别对应 于张量4 的前两个纤维从。同时，矩阵a ( 2 ) 恰好由矩阵a 0 ) 的各个分块转 置而成。2 0 2 - 3 训练样本的张量表示( 左图) 及其矩阵化( 右图) ，其中右上图与右下图分别 对应于矩阵a ( 1 ) 和a ( 2 1 2 2 2 - 4 本文的增量学习算法用到的两种不同的增量方式，其中第一行对应 于s a m p l e - b y - s a m p l e 方式，而第二行对应于c l a s s - b y c l a s s 方式。2 5 2 - 5 列协方差矩阵s 删的特征谱表示，其中红线上方的特征值代表了9 4 6 1 的 主成分对应的能量。2 8 2 - 6 行协方差矩阵伊伽的特征谱表示，其中红线上方的特征值代表 了9 4 4 0 的主成分对应的能量。2 9 2 - 7 双向主成分在线学习算法( i b d p c a ) 用于人脸识别的流程示意图。3 1 2 - 8f e r e t 数据库中的1 2 个样本图片。3 2 2 - 9c m u - p i e 数据库中的1 0 个样本。3 2 2 - 1 0f e r e t 数据库上的识别结果，其中每个子图中的横坐标表示辟鲫从4 变化 到1 6 。3 3 2 1 1f e r e t 数据库上的特征表示。除了第一个样本之外，剩下的6 幅图片分 别是批景双线性主成分、s a m p l e b y - s a m p l e 增量模式与c l a s s b y - c l a s s 增量 模式对应的重构结果，其中维数分别设定为2 0x2 0 和1 0x1 0 。3 5 2 1 2s a m p l e b y - s a m p l e 增量方式在f e r e t 数据库上的实时分类效果，其 中( a ) 对应每类选取3 个样本做为初始，1 个样本做为增量；( b ) 对应每 类选取1 个样本做为初始，3 个样本做为增量。3 9 第1 0 2 页 插图 2 - 1 3c l a s s b y c l a s s 增量方式在f e r e t 数据库上的实时分类效果，其中( a ) 对 应3 0 个类别做为初始；( b ) 对应2 0 个类别做为初始。4 0 2 1 4i b d p c a 方法结合最近m a h a l a n o b i s 距离分类器在c m u p i e 数据库上的识 别率，其中( a ) 和( b ) 分别对应于s a m p l e b y - s a m p l e 和c l a s s b y - c l a s s 的增量 方式。4 l 2 - 1 5i b d p c a 方法结合最近e u c l i d e a n 距离分类器在c m u p i e 数据库上的识别 率，其中( a ) 和( b ) 分别对应于s a m p l e b y - s a m p l e 希l l c l a s s b y c l a s s 的增量方 式。4 2 3 - 1 线性( a ) 与双线性( b ) 降维方法的直观示意图。4 6 3 - 2l a n c z o s 算法。4 8 3 3 双线性l a n c z o s 成分算法。5 7 3 - 4o r l 数据库中的1 0 幅样本图片。5 8 3 - 5f e r e t 数据库中的1 2 幅样本图片。5 8 3 - 6c m u p i e 数据库中的1 0 个样本。5 8 3 - 7u s p u 数据库中的样本。5 8 3 - 8c o n - 2 0 数据库中的样本。5 9 3 - 9o r l 数据库上的平均错分率与c p u 时间比较。6 0 3 - 1 0f e r e t 数据库上的平均错分率与c p u 时间比较。6 l 3 - 1 1c m u p i e 数据库上的平均错分率与c p u 时间比较。6 2 3 - 1 2u s p s 数据库上的平均错分率与c p u 时间比较。6 3 3 - 1 3c o i l - 2 0 数据库上的平均错分率与c p u 时间比较。6 4 4 - 1s r c 方法在e x t e n d e d 嘲e b 数据库上展现出来的稀疏性，其中第一行和 第二行分别对应于每类训练样本个数为3 0 和1 0 的情形。显然，当训练样 本不够充分的时候，组合系数的稀疏性开始减弱，使得测试样本( 左) 被错分到第八个类别。6 7 第1 0 3 页 中山大学博士学位论文 4 2 岭惩罚( 黑色链线) 、l a s s o 惩罚( 红色虚线) 与弹性网惩罚a l = 入2 = o 5 ( 蓝 色实线) 的二维等高图示。我们可以看到，顶点与边界处的奇异性都是严 格凸的，并且凸性随着正则化参数的大小而改变。：7 2 垂3 原始空间中的样本分布。7 4 缸4 增加了合成的人工噪音样本之后的样本分布。7 5 垂5s r c 方法在e y a l e b 数据库上的稀疏表示。7 6 缸6s n c 方法在眦b 数据库上的稀疏表示。需要指出的是，由于新方法 使用了合成的人工噪音样本，因而训练集的大小扩大了一倍。7 7 垂7 局部推广误差方法的直观演示7 8 4 - 8e x t e n d e dy a l e b 数据库( 第一行) ，c m u - p i e 数据库( 第二行) 与f e r e t 数据 库( 第三行) 中的人脸图片示例。8 0 4 - 9e x t e n d e dy a l e b 数据库中的图片增加高斯噪音后的结果，其中噪音方差 设定为0 0 1 。8 l 4 - 1 0e x t e n d e dy a l e b 数据库中1 0 的像素被遮挡的人脸图片。8 4 5 - lo r l 数据库中的1 0 幅样本图片。9 4 5 - 2o r l 数据库得到的矩阵s 的特征谱，其中训练样本的个数分别是3 ，4 ，5 。9 4 5 - 3y a l e b 数据库中的1 6 幅样本图片。9 5 5 - 4 o r l 数据库上的识别效果，其中( a ) 图和( b ) 图对应的训练样本个数分别 为3 和5 。9 8 5 5 y 址e b 数据库上的识别效果，其中( a ) 图和( b ) 图对应的训练样本个数分别 为1 0 和1 5 。9 9 第1 0 4 页 表格 表格 2 1 双向主成分的在线学习算法2 4 2 - 2 双向主成分及其在线学习算法的计算复杂度与内存需求3 0 2 - 3f e r e t 数据库上的c p u 时间比较3 4 二4c m u - p i e 数据库上的c p u 时间比较3 7 3 - 1b l c 与g l r a m 方法在时间与空间复杂度上的比较5 1 3 - 2 图像数据库的主要统计量5 2 3 - 3c m u p i e 数据库上的实验结果比较5 5 孓4c o i l 2 0 数据库上的实验结果比较5 6 垂1e y a l e b 数据库上的识别率，8 2 垂2c m u p i e 数据库上的识别率8 2 4 - 3 l a r g ef e r e t 数据库上的识别率8 3 4 - 4e y a l e b 数据库上含有遮挡图片的识别性能，其中每类的训练样本为1 0 ， 像素的遮挡比例为5 。8 4 4 5f 蹦e b 数据库上含有遮挡图片的识别性能，其中每类的训练样本为1 0 ， 像素的遮挡比例为1 0 。8 4 4 - 6e y a l e b 数据库上含有遮挡图片的识别性能，其中每类的训练样本为5 ，像 素的遮挡比例为5 。8 5 4 - 7e y a l e b 数据库上含有遮挡图片的识别性能，其中每类的训练样本为5 ，像 素的遮挡比例为1 0 。8 6 4 - 8e y a l e b 数据库上的大样本识别性能，其中每类训练样本个数是2 0 8 6 5 - 1o r l 数据库上的c p u 时间比较( 维数固定为2 0 ) 9 5 5 - 2y a l e b 数据库上的c p u 时间比较( 维数固定为2 0 ) 9 6 第1 0 5 页 论文原创性声明 本人郑重声明：所呈交的学位论文，是本人在导师的指导下，独立进行研究 工作所取得的成果。除文中已经注明引用的内容外，本论文不包含任何其他个人 或集体已经发表或撰写过的作品成果。对本文的研究作出重要贡献的个人和集 体，均已在文中以明确方式标明。本人完全意识到本声明的法律结果由本人承 担。 学位论文作：彤磊伤堤 日期：2 研d 年易月产日 学位论文使用授权声明 本人完全了解中山大学有关保留、使用学位论文的规定，即：学校有权保留 学位论文并向国家主管部门或其指定机构送交论文的电子版和纸质版，有权将学 位论文用于非赢利目的的少量复制并允许论文进入学校图书馆、院系资料室被查 阅，有权将学位论文的内容编入有关数据库进行检索，可以采用复印、缩印或其 他方法保存学位论文。 学位论文作者签名：乏秭嗄 日期：2 矽汐年石月尸日 吉月“脚 名乙戤 第一章绪论 第一章绪论 人脸识别作为图像媒体理解与认知的一个重要领域【1 ，2 ，3 ，4 ，5 1 ，可以在距离摄像 仪器相当远的范围内在人群中识别出特定的个体，从而在公共场所发挥很大作用同 时，还因为其在公共安全、人机交互、金融安全等方面具有的巨大商业前景而受到模 式识别与机器学习领域的普遍重视。 人脸识别涉及到大量二维或三维图像的理解与认知，计算复杂性高、运算量大， 而且具有较强的实时性要求，发展高效、可靠的特征提取与分类算法显得十分必要。 1 1 人脸识别的主要问题与分析 人脸识别的优势在于其自然性和非接触性的特点。 所谓自然性，是指该识别方式进行个体识别时所利用的生物特征相同。也就是 说，人类是通过观察和比较人脸区分和确认身份的，而指纹识别、虹膜识别等都不具 有自然性，因为人类或者其他生物并不通过此类生物特征区别个体。 非接触性的特点使得该识别方法完全利用可见光获取人脸图像信息，而不同于指 纹识别或者虹膜识别，需要利用电子仪器采集指纹，或者利用红外线采集虹膜图像， 这些特殊的采集方式让受试对象很容易接受，并且容易在公共场所搜索、识别特定的 对象。 人脸识别具有很多其他识别无法比拟的优点，但是它本身也存在诸多困难。这些 困难主要是人脸作为生物特征的特点所带来的。人脸