KSLPP：新的人脸识别算法.pdf

第 卷第 期 年 月 浙 江 大 学 学 报 工学版 2 0 0 0 3 作者简介 祝磊 F FH 男 江苏无锡人 博士生 主要从事计算机视觉 人脸检测与识别等研究 9 K L 2 L 通讯联系人 9 P 新的人脸识别算法 祝 磊 朱善安 浙江大学 电气工程学院 浙江 杭州D 摘 要 针对人脸识别中的特征提取问题 提出了一种新的核有监督保局投影人脸识别算法 即P S O O 该算法通 过非线性映射将人脸样本投影到高维空间 通过可调因子有效地结合人脸局部流形的结构信息和样本的类别信 息 提取人脸的非线性特征 采用最小近邻分类器估算识别率 采用N TbT人脸库以及E 0人脸库 对该方法进 行了测试 结果表明 与9 2 3 0 0 2 6 0 0以及S Y 2 0等方法相比 该方法具有较好的识别率 关键词 保局投影 有监督学习 核技巧 人脸识别 中图分类号 T O D F 文献标识码 N 文章编号 U F D V 9 P 2 2 7 3 1 5 4D 8 8 3 7 5 0 2 L 3 0 0 7 00 M 7 7 2 B 0 3 2 7 2 L 0 7 BZ 6 0 B 0 0 6 Y 0 5 2 6 0 B 2 7 8 Y 0 6 0 5 2 3Y 1 0 7 2 6 P S O O 6Y Y 6 0 B 2 2 6 L Y 0 6 0Y 1 0 7 0 B2 7 2 3 K B 2 L 0 6 2 0 K 7 06 Y 0 6Z 8 2 0 L Y Y 2 3 7 0 0L 2 B 6 7 7 02 L 7 2 2 6 L Z 2 0 B 2 7 7 0 K Z 0 6 2 L 7 2 B7 0 2 0 0 7 0 0 6 0 3 2 7 2 2 60 M 7 7 0 B T 0 0 0 6 7 0 2 3 Z K B 3 2 7 L 6 6 0 B7 6 7 7 6 6 2 2 0 6 T 0Y Y 6 0 BL 0 7 B 6 7 0 6 7 0 B B0 5 7 0 B K 6 2 37 0NTbT 0B 7 Z 6 0 BE 0 0B 7 Z 6 0 9 M Y 0 2 L 0 7 0 6 7 66 0 B7 7P S O O2 6L 0 Y 0 7 9 2 3 0 0 2 6 0 0 BS Y 2 0 0 0 7 00 M 7 7 2 B 0 3 2 7 2 9 0 7 2 3 2 7 8Y 0 6 0 5 2 3Y 1 0 7 2 6 S O O 6 Y 0 5 2 6 0 B 0 2 3 0 0 7 2 0 0 3 2 7 2 人脸自动识别是一种用计算机分析人脸图像 从中提取有效信息并进行自动鉴别的技术 由于其 在安全系统及人机交互等方面的巨大应用前景 已 成为计算机视觉和模式识别领域的重要研究课题之 一 在过去几十年中 研究人员提出了许多人脸识别 方法 可大致分为D类 L 0 7 K B 6 基于特征匹配的方法 0 7 0 K Z 6 0 BL 7 2 3 L 0 7 B 6 和混合方法 8 Z 2 BL 0 7 B 6 其中整体 方法将整个人脸区域作为识别系统的输入 不依赖 于人脸的先验知识和参考模型 一直以来是人脸识 别的研究热点之一 子空间分析法 6 Z 6 Y 0L 0 7 K B 6 在整体方法中占重要地位 它可以分为线性子 空间方法和非线性子空间方法 线性子空间方法 主要以9 2 3 0 0 D K 和 2 6 0 0 C 为代表 9 2 3 0 K 0将主成分分析 Y 2 2 Y L Y 0 7 8 6 2 6 O G N 应用于人脸识别中 通过提取人脸图像的主成 分进行识别 由于9 2 3 0 0基于重建准则 即重建 误差最小 其识别率一般不是很理想 2 6 0 0 利用线 性 判 别 分 析 2 0 B 2 6 2 L 2 7 8 6 2 6 S X N 来寻找使类间距最大的投影方向 获得了很 好的识别效果 然而 当样本数目小于样本维数时 2 6 0 0将出现小样本问题 因此 一般先采用 O G N降维 再用S X N提取特征来进行识别 随着核函数在支持向量机 R 中的成功应 用 非线性子空间方法应运而生 如 P O G N 0 K 0 O G N 2 9 2 3 0 K L Y 6 但是这些方法都没有明晰的投影矩阵 很 难直接提取新样本的特征 一般不能直接适用于人 脸识别领域 W 0等人 D K 提出了保局投影 2 7 8 Y 0 6 0 5 2 3Y 1 0 7 2 6 S O O 并将其成功应用于人 脸识别中 S O O的本质是对拉普拉斯特征映射的线 性逼近 但它属于无监督学习方法 未能充分利用样 本的类别信息 本文提出一种新的人脸识别算法 称为核有监 督保局投影 该方法将样本向量通过非线性映射变 换到一个高维空间中 在保留人脸局部流形结构的 同时引入样本类别信息 将S O O发展成为有监督的 方法 实验结果表明 该方法具有较好的识别效果 保局投影 S O O 设在高维欧氏空间B 中有样本集 c A 寻求一个投影矩阵 将这些样本映射到一 个相对低维的特征空间B 中 样本集在 B 中的表述为 c A 且 c T S O O算法的目的是在降维的同时 保持样本固有的 局部流形结构不变 可以通过求解下面的最小化 问题获得 Y 7B 3L 2 0 2 6 0 0和S Y 2 0进行比较 采用最小近 邻分类器估算识别率 对于9 2 3 0 0算法 利用所有样本的协方差 矩阵决定最后投影的方向 2 6 0 0则首先利用 O G N降维 然后寻找使类内距最小 类间距最大的 图 人脸照片示例 2 3 L Y 0 0 2 L 3 0 6 投影方向 S Y 2 0采用传统的S O O算法 保 留人脸局部流形结构 P S O O同样采用O G N进行 预处理 除去零空间 参数 3 2 7 2 7 0 6 6 7 2 0 2 3 7 Y L 0 7 0 N TbT 0B 7 Z 6 0 表 N a 0 E Y 2 3 0 K T S N X N 9 2 3 0 0 6 0 3 2 7 2 0 0 3 2 7 2 6 2 30 2 3 0 K 0 6 G 0 65 6 2 6 0 0 6 0 3 2 7 2 6 2 3 6 66 Y 0 2 2 2 0 Y 1 0 7 2 B 0 L 2 O 0 6 6 F F 0 65 6 0 0 2 6 0 0 6 0 0 3 2 7 2 6 2 3 0 0 L 0 7 B 6 G L 0 2 0 B 2 L 0 6 2 K 2 7 8 0 B 7 2 7 2 7 8 2 0 0 L Z 0 B B 2 3 7 Y Y 0 0Z 6 0 B 0 3 2 7 2 G 2 0 2 3 0 L Y 6 B 6 Y 0 7 7 0 2 0 6 0 L Z 0 B B 2 3 B 6 7 0 2 3 G 2 7 8Y 0 6 0 5 2 3Y 1 0 7 2 6 G 0 0 3 2 7 2 K 6 2 3S Y 2 0 6 J O 7 3 5 0 30 7 4 3 3 2R 5 D J 5 C D D U D 下期论文摘要预登 锌粉水热反应合成U V纳米棒及其结构表征 陈卫祥 夏军保 徐铸德 浙江大学 化学系 浙江 杭州D 摘 要 以锌粉为原料 用偶联表面活性剂 G W C GWD K GW K GWD G W C 作为定向生长控制 剂 通过水热反应合成了氧化锌纳米棒 并用V K射线衍射 V X 透射电镜 T 9R 扫描电镜 9R 和电子选区衍 射 N 9 X 对产物进行了表征 结果表明所合成的氧化