人脸识别中基于流形学习的特征提取方法研究

硕士学位论文 从表4.1和图4.2可以看出，本文算法在ORL人脸库上能够取得最高的识别率。因为本文算法在监督算法的基础上使用了无标签信息，因此识别率最高。在有标记训练样本为5张人脸，并利用其余无标记样本时，本文算法在维数为36时达到最高识别率96.16%，且在特征维数达到36以后, 基本稳定在一个特定范围。同时可看出，MFA算法的识别率高于LDA和PCA算法的识别率。

图4.2 ORL人脸库的5Train的识别率

从表4.1和图4.2可以看出，本文算法在ORL人脸库上能够取得最高的识别率。因为本文算法在监督算法的基础上使用了无标签信息，因此识别率最高。在有标记训练样本为5张人脸，并利用其余无标记样本时，本文算法在维数为36时达到最高识别率96.16%，且在特征维数达到36以后, 基本稳定在一个特定范围。同时可看出，MFA算法的识别率高于LDA和PCA算法的识别率。

4.4.2 YALE人脸数据库的实验

为了进一步验证本文算法的有效性，在YALE人脸库上进行实验。YALE人脸库由15个人，每个人有11张共165张图像组成。这些图像在光照条件下变化比较大，而且面部表情（正常、伤心、开心、眨眼和惊讶等）和细节（戴或不戴眼镜）也有比较明显的变化。

在YALE人脸库中，从每个人的图像中随机选取l（l=2,3,?,6）张作训练样本，而剩下11?l张作测试样本。

表4.2 YALE人脸库上的识别结果比较

算法名称

样本数目及正确识别率%

35

人脸识别中基于流形学习的特征提取方法研究 2

PCA LDA LPP UDP MFA 本文算法

41.37 46.51 56.30 55.84 54.29 56.90

3 49.02 58.87 68.85 68.32 68.25 71.63

4 53.24 69.10 76.16 77.15 77.67 80.72

5 56.43 73.52 77.64 79.53 81.16 83.57

6 58.80 78.21 80.83 82.46 83.08 85.65

图4.3 YALE人脸库的5Train的识别率

从表4.2和图4.3可以看出，由于YALE库的图像受光照、姿态、表情变化的干扰较大，所以文中所列的所有方法的识别率相对较低。PCA和LDA保持全局线性结构进行维数约减，不能很精确地描述非线性流形，识别率低于保持局部线性的MFA和本文算法，而本文算法的识别率又高于MFA。

4.4.3 实验分析

本文算法在UDP的基础上，将有标签样本和无标签样本同时作为训练样本，并采用最大散度差准则来解决小样本问题，可得到利于有效分类的投影矩阵。实验表明，本文算法对于姿态、表情、光照等变化体现出极强的鲁棒性，相比其它几种算法，识别效果是最优的。作为识别来说，更多的特征将会引入不利于分类的信息，当维数达到一定的程度，识别率不再会因维数的增加而提高，甚至可能有所下降。而LPP和MFA仅仅利用有限的有标签样本或者不利

36