基于矩陣分解的單樣本人臉識(shí)別算法研究分析 數(shù)學(xué)與應(yīng)用數(shù)學(xué)專業(yè)

目錄摘要 )則屬于第類。3.3 方法對(duì)比本文算法和原有的基于矩陣分解的單樣本人臉識(shí)別算法技術(shù)對(duì)比如表3.1所示。從表3.1可以看出，原有的基于矩陣分解的單樣本人臉識(shí)別算法在虛擬樣本重建的過程中，采用的矩陣分解技術(shù)和虛擬樣本生成標(biāo)準(zhǔn)有所差異，而且基于LUD的單樣本人臉識(shí)別算法由于對(duì)原樣本的轉(zhuǎn)置圖像進(jìn)行了虛擬樣本重建，所以比基于SVD的單樣本人臉識(shí)別算法多一張?zhí)摂M樣本圖像。兩種算法在特征提取過程中，均使用了2D-LDA算法，但是投影矩陣投影時(shí)有所不同。本文算法是原有基于矩陣分解的單樣本人臉識(shí)別算法的基礎(chǔ)上的改進(jìn)，保留了原算法虛擬樣本重建和特征提取的方法和準(zhǔn)則，但是在進(jìn)一步的分類識(shí)別中，使用自適應(yīng)權(quán)重將兩種算法得到的距離進(jìn)行加權(quán)融合。所以，本文算法在使用最小距離準(zhǔn)則進(jìn)行分類時(shí)的距離不是常用的距離公式直接計(jì)算出的距離，而是加權(quán)距離。表3.1三種基于矩陣分解的單樣本人臉識(shí)別技術(shù)對(duì)比基于矩陣分解的單樣本人臉識(shí)別算法虛擬樣本重建特征提取算法分類識(shí)別算法矩陣分解技術(shù)虛擬樣本生成標(biāo)準(zhǔn)虛擬樣本個(gè)數(shù)基于SVD的單樣本人臉識(shí)別算法SVD使用三個(gè)最重要的基礎(chǔ)圖像1張2D-LDA（左乘）最小距離準(zhǔn)則基于LUD的單樣本人臉識(shí)別算法LUD當(dāng)虛擬圖像能量大于等于原圖像的92%時(shí)，重建完成2張2D-LDA（右乘）最小距離準(zhǔn)則基于WMD的單樣本人臉識(shí)別算法SVD和LUD兩種分解算法均使用原來的閾值SVD：1張LUD：2張2D-LDA最小距離準(zhǔn)則3.4本章小結(jié)本章詳細(xì)介紹了基于加權(quán)矩陣分解的單樣本人臉識(shí)別算法的算法框架，包括預(yù)處理、特征提取、自適應(yīng)加權(quán)和分類識(shí)別四個(gè)部分。在預(yù)處理部分，將樣本預(yù)處理為行列一致的灰度圖像。在特征提取過程中，使用SVD和LUD兩種方法進(jìn)行矩陣分解，分別進(jìn)行樣本重建得到兩個(gè)虛擬樣本圖像集合，與預(yù)處理得到的訓(xùn)練樣本集合結(jié)合得到新樣本集。并采用2D-LDA算法計(jì)算新樣本集合對(duì)應(yīng)的投影矩陣，用投影矩陣對(duì)原樣本集分別投影，得到基于SVD的判別特征集合和基于LUD的判別特征集合。在適應(yīng)加權(quán)部分，使用基于SVD的判別特征集合和基于LUD的判別特征集合計(jì)算出兩個(gè)集合對(duì)應(yīng)的自適應(yīng)權(quán)重，并將自適應(yīng)權(quán)重用于進(jìn)一步的分類識(shí)別部分?；诩訖?quán)矩陣分解的單樣本人臉識(shí)別算法是在基于SVD的單樣本人臉識(shí)別算法和基于LUD的單樣本人臉識(shí)別算法上的改進(jìn)，通過加權(quán)融合讓2D-LDA投影子空間進(jìn)一步擴(kuò)展，擴(kuò)大了分類識(shí)別時(shí)的求解可能性。

第四章 單樣本人臉識(shí)別仿真實(shí)驗(yàn)所有的創(chuàng)新與改進(jìn)都需要實(shí)踐和實(shí)驗(yàn)的驗(yàn)證支撐，為了驗(yàn)證基于加權(quán)矩陣分解的單樣本人臉識(shí)別算法的有效性，我們使用MATLAB軟件，選取了三個(gè)廣泛使用的人臉庫，以基于SVD的單樣本人臉識(shí)別算法和基于LUD的單樣本人臉識(shí)別算法作為對(duì)照組，進(jìn)行了一系列的實(shí)驗(yàn)。本章展示出了不同情況下的三種算法的識(shí)別結(jié)果，并對(duì)識(shí)別結(jié)果進(jìn)行了詳細(xì)的分析。4.1 MATLAB工具介紹MATLAB，中文名為矩陣實(shí)驗(yàn)室（MatrixLaboratory），是美國MathWorks公司出品的商業(yè)數(shù)學(xué)軟件。它將矩陣計(jì)算、數(shù)值分析、科學(xué)數(shù)據(jù)可視化以及非線性動(dòng)態(tài)系統(tǒng)的建模和仿真等諸多強(qiáng)大功能集成在一個(gè)易于使用的視窗環(huán)境中，為科學(xué)研究、工程設(shè)計(jì)等眾多科學(xué)領(lǐng)域提供了一種有效方便的解決方案，被廣泛用于數(shù)值分析、數(shù)值和符號(hào)計(jì)算、工程與科學(xué)繪圖、控制系統(tǒng)設(shè)計(jì)與仿真、數(shù)字圖像處理、數(shù)字信號(hào)處理、通訊系統(tǒng)設(shè)計(jì)與仿真和金融工程等[23]。和其他軟件相比，MATLAB具有以下優(yōu)點(diǎn)：（1）具有高效的數(shù)值計(jì)算和符號(hào)計(jì)算功能，幫助用戶減輕繁雜的數(shù)學(xué)運(yùn)算分析的壓力。（2）具有完備的圖形處理功能，可以實(shí)現(xiàn)科學(xué)數(shù)據(jù)的可視化。（3）具有友好的用戶界面和接近數(shù)學(xué)表達(dá)式的自然化語言，便于編程和人機(jī)交互，使學(xué)者易于學(xué)習(xí)和掌握。（4）具有功能豐富的應(yīng)用工具箱，為用戶提供了大量方便實(shí)用的處理工具，可以方便地實(shí)現(xiàn)用戶的各種需求。4.2 人臉庫介紹在實(shí)驗(yàn)中，我們選取了三種被廣泛使用的人臉庫作為數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)，這三個(gè)人臉庫分別是：ORL人臉庫[24]、FERET人臉庫[25]和AR人臉庫[26]。4.2.1ORL人臉數(shù)據(jù)庫 ORL（OlivettiResearchLaboratory）人臉數(shù)據(jù)庫誕生于英國劍橋Olivetti實(shí)驗(yàn)室。數(shù)據(jù)庫中包含了40個(gè)不同年齡、不同性別和不同種族的對(duì)象，每個(gè)對(duì)象10張圖像，共計(jì)400張圖像。對(duì)于不同的對(duì)象，光照、面部表情和面部細(xì)節(jié)均有差異（如笑與不笑、戴眼鏡與不帶眼鏡、眼睛睜著與閉著等），不同的圖像的人臉姿態(tài)也有變化，其深度旋轉(zhuǎn)和平面旋轉(zhuǎn)可達(dá)20度，人臉尺寸也有最多10%的變化。部分圖像如圖4.1所示。在實(shí)驗(yàn)中，所有的圖片大小都預(yù)處理為大小的灰度圖像。圖4.1ORL人臉庫中的部分圖像4.2.2FERET人臉數(shù)據(jù)庫 FERET數(shù)據(jù)庫是目前最大的人臉數(shù)據(jù)庫。它誕生于美國國防部發(fā)起的一個(gè)為了促進(jìn)人臉識(shí)別研究的進(jìn)一步發(fā)展和實(shí)用化的人臉識(shí)別技術(shù)工程，由美國軍方研究實(shí)驗(yàn)室提供?，F(xiàn)階段仍在不斷擴(kuò)充，包含了不同性別、不同種族和不同年齡的超過1000個(gè)對(duì)象的10000多張圖像。在實(shí)驗(yàn)中，我們選取了200個(gè)對(duì)象的1400張灰度圖像進(jìn)行實(shí)驗(yàn)，每個(gè)對(duì)象7張圖像。所有圖像尺寸均被預(yù)處理為。部分圖像如圖4.2所示。圖4.2FERET人臉庫中的部分圖像4.2.3AR人臉數(shù)據(jù)庫 AR人臉數(shù)據(jù)庫是由AleixMartinez和RobertBenavente在計(jì)算視覺中心建立起來的。該數(shù)據(jù)庫由126個(gè)人（70個(gè)男人和56個(gè)女人）組成，包括了超過4000張彩色圖像。圖像的面部表情、光照和遮擋均有變化。圖像的拍攝分為兩個(gè)時(shí)期，間隔14天，每個(gè)人都在兩個(gè)時(shí)期分別拍攝了一組圖像。在實(shí)驗(yàn)中，我們選擇AR人臉庫的兩個(gè)子集（子集1和子集2）進(jìn)行實(shí)驗(yàn)。子集1和子集2分別對(duì)應(yīng)于兩個(gè)時(shí)期的100個(gè)對(duì)象的一組圖像，每組圖像有7張，每個(gè)子集共700張圖像。部分圖像如圖4.3所示。實(shí)驗(yàn)過程中，所有圖像都被預(yù)處理為灰度圖像，且圖像的大小為。（a）子集1（a）子集2圖4.3AR數(shù)據(jù)庫中的部分圖像4.3 實(shí)驗(yàn)結(jié)果和分析本文提出了基于加權(quán)矩陣分解的單樣本人臉識(shí)別算法，即基于WMD（WeightedMatrixDecomposition）的單樣本人臉識(shí)別算法。該算法在自適應(yīng)方差權(quán)重的計(jì)算和最后分類識(shí)別部分都涉及到距離計(jì)算問題，所以不同的距離度量對(duì)算法的識(shí)別率有很大的影響。同時(shí)，在特征提取過程中構(gòu)成投影矩陣的不同投影向量數(shù)量直接影響到圖片的降維數(shù)和提取的判別性特征質(zhì)量，在特征提取過程中起著非常關(guān)鍵的作用。訓(xùn)練樣本的質(zhì)量也是單樣本人臉識(shí)別算法另一個(gè)重要的影響因素。所以，我們從不同的距離度量方法、不同的投影向量數(shù)量和不同的訓(xùn)練樣本三個(gè)角度進(jìn)行了一系列的實(shí)驗(yàn)。4.3.1距離度量影響分析 為了研究不同距離度量對(duì)該算法的影響，并選擇合適的距離作為算法的距離度量標(biāo)準(zhǔn)，我們選擇了三個(gè)廣泛使用的距離進(jìn)行實(shí)驗(yàn)，具體包括曼哈頓距離（公式(3.5)）、余弦距離（公式(3.6)）和歐氏距離（公式(3.7)）。實(shí)驗(yàn)過程中，經(jīng)驗(yàn)選擇投影向量的數(shù)量為10，使用每個(gè)對(duì)象的第一張圖像作為訓(xùn)練樣本?；赪MD的單樣本人臉識(shí)別算法在ORL人臉庫、FERET人臉庫和AR人臉庫的兩個(gè)子集上的識(shí)別結(jié)果如表4.1所示。表4.1在不同距離度量算法下四個(gè)數(shù)據(jù)集上的識(shí)別率（%）距離ORLFERETAR子集1AR子集2平均結(jié)果曼哈頓距離73.6157.0066.5073.6767.70余弦距離57.2248.3378.3373.0064.22歐氏距離72.5057.6745.6764.5060.09從表4.1中可以看出，在ORL數(shù)據(jù)庫上，使用曼哈頓距離的算法表現(xiàn)最好，使用余弦距離的算法識(shí)別能力較弱；在FERET數(shù)據(jù)庫上，使用歐氏距離的算法表現(xiàn)最好，使用余弦距離的算法識(shí)別效果較差；而在AR數(shù)據(jù)庫上，使用歐氏距離的算法在兩個(gè)子集上識(shí)別效果均不理想，在子集1上，使用余弦距離的算法識(shí)別效果最好，而在子集2中，使用曼哈頓距離的算法識(shí)別效果最好?？傮w上看，不同的距離度量算法對(duì)算法的識(shí)別性能有很大的影響。采用余弦距離或歐氏距離的算法在不同數(shù)據(jù)庫上表現(xiàn)有優(yōu)有劣，都存在識(shí)別性能不穩(wěn)定的情況。而相較于其他兩種算法，采用曼哈頓距離的算法能在不同的數(shù)據(jù)庫上都維持較好的識(shí)別效果，具有一定的魯棒性。所以在基于WMD的單樣本人臉識(shí)別算法中，我們采用曼哈頓距離作為自適應(yīng)方差計(jì)算和基于最小距離準(zhǔn)則分類器中的距離度量算法。4.3.2投影向量數(shù)量影響分析 為了研究投影向量數(shù)量對(duì)識(shí)別算法性能的影響，我們使用不同數(shù)量的投影向量進(jìn)行了一系列的實(shí)驗(yàn)。實(shí)驗(yàn)過程中，投影向量的數(shù)量從1逐漸增加到25，并且我們使用每個(gè)對(duì)象的第一張圖像作為訓(xùn)練樣本。 圖4.4分別展示了在ORL人臉庫、FERET人臉庫和AR人臉庫的兩個(gè)子集上三個(gè)算法的識(shí)別結(jié)果，表4.2展示了三種算法在四個(gè)數(shù)據(jù)集上的最高識(shí)別率，括號(hào)中為對(duì)應(yīng)的投影向量數(shù)量。從圖4.4中我們可以看出特征提取過程中構(gòu)成投影矩陣的不同投影向量數(shù)量對(duì)三表4.2三種算法在不同投影向量數(shù)量下四個(gè)數(shù)據(jù)集的最高識(shí)別率（%）算法ORLFERETAR子集1AR子集2LUD69.17(15)48.67(8)71.17(22)73.67(19)SVD73.06(10)52.67(2)40.00(6)35.00(18)WMD75.83(4)59.83(6)74.50(25)81.50(22)(a)ORL數(shù)據(jù)庫三種算法的識(shí)別結(jié)果(b)FERET數(shù)據(jù)庫三種算法的識(shí)別結(jié)果(c)子集1三種算法的識(shí)別結(jié)果(d)子集2三種算法的識(shí)別結(jié)果圖4.4三種算法在不同投影向量數(shù)量下的識(shí)別率種算法的識(shí)別效果還是有一定影響。在投影向量數(shù)量較少時(shí)，投影向量數(shù)量的變化會(huì)引起識(shí)別率較大的變化，而當(dāng)投影向量數(shù)量增加時(shí)，識(shí)別率逐漸趨于穩(wěn)定。在ORL人臉庫和FERET人臉庫上，基于SVD的單樣本人臉識(shí)別算法比基于LUD的單樣本人臉識(shí)別算法識(shí)別率高且更穩(wěn)定。在AR人臉庫的子集1和子集2上，基于SVD的單樣本人臉識(shí)別算法識(shí)別率較低，識(shí)別結(jié)果不如人意，而基于LUD的單樣本人臉識(shí)別算法識(shí)別性能較好，且識(shí)別率隨著投影向量數(shù)量的增加而不斷提高?；赪MD的單樣本人臉識(shí)別算法是基于SVD的單樣本人臉識(shí)別算法和基于LUD的單樣本人臉識(shí)別算法的加權(quán)融合，從圖4.4中可以明顯看出，基于WMD的單樣本人臉識(shí)別算法相較于其他兩種算法，在不同的人臉庫上都能保持較好的識(shí)別效果。這是因?yàn)榛赪MD的單樣本人臉識(shí)別算法通過自適應(yīng)方差加權(quán)將兩種基于矩陣分解的單樣本人臉識(shí)別算法進(jìn)行融合，擴(kuò)展了2D-LDA的投影子空間和求解范圍，讓兩種算法取長補(bǔ)短，在復(fù)雜環(huán)境下具有一定的魯棒性和穩(wěn)定性，不同情況下也能維持較好的識(shí)別性能。從圖4.4和表4.2中可以看出在ORL人臉庫和FERET人臉庫上，基于WMD的單樣本人臉識(shí)別算法在投影向量數(shù)量較少時(shí)識(shí)別效果更好，而在AR人臉庫的子集1和子集2上，基于WMD的單樣本人臉識(shí)別算法在投影向量數(shù)量較多時(shí)具有較好的識(shí)別性能。但是，投影向量數(shù)量過多或者過少都不能保證算法在不同情況下的識(shí)別正確率，所以出于一般化的考慮，我們選取10作為投影向量最佳的數(shù)量。4.3.3 訓(xùn)練樣本影響分析在單樣本人臉識(shí)別實(shí)驗(yàn)中，我們通常選取每個(gè)對(duì)象的第一張圖像作為訓(xùn)練樣本。在這一節(jié)中，為了研究不同訓(xùn)練樣本對(duì)算法的影響，我們分別選取每個(gè)對(duì)象的不同圖像作為訓(xùn)練樣本進(jìn)行訓(xùn)練。在本節(jié)實(shí)驗(yàn)中，投影向量的數(shù)量為10。圖4.5分別展示了三種算法在ORL人臉庫、FERET人臉庫和AR人臉庫的兩個(gè)子集上的識(shí)別結(jié)果，表4.3展示了三種算法在四個(gè)數(shù)據(jù)集上的最高識(shí)別率，括號(hào)中為對(duì)應(yīng)的訓(xùn)練樣本序號(hào)。表4.3三種算法在不同訓(xùn)練樣本下四個(gè)數(shù)據(jù)集的最高識(shí)別率（%）算法ORLFERETAR子集1AR子集2LUD71.67(2)48.50(6)67.17(1)68.17(1)SVD75.83(3)62.50(4)52.83(5)43.83(2)WMD79.17(3)62.50(4)72.00(5)73.67(1)通過觀察圖4.5，我們可以看出，不同質(zhì)量的訓(xùn)練樣本包含的身份信息不同，對(duì)三種算法的識(shí)別率有很大的影響。較好的單訓(xùn)練樣本可能包含對(duì)象更多的身份信息，在特征提取的過程中提取出更具有判別性的特征，可以提高算法識(shí)別率。從圖4.1和圖4.5(a)中可以看出，ORL數(shù)據(jù)庫中每個(gè)人的第三張圖像姿態(tài)最為端正，且表情和光照變化較小，所以采用這張圖像作為訓(xùn)練樣本時(shí)算法的識(shí)別性能較好。從圖4.2和圖4.5(b)中可以看出，F(xiàn)ERET人臉庫中每個(gè)人的第一張到第六張圖像有一些角度和表情的變化，但變化不大，所以將這些圖像作為訓(xùn)練樣本時(shí)，三種算法的識(shí)別效果較好。但是最后一張圖像光線過暗，在未進(jìn)行光照補(bǔ)償?shù)那闆r下，特征提取過程中提取出的特征不如前幾張圖像，所以算法的識(shí)別性能大大下降。從圖4.3、圖4.5(c)和(d)中可以看出，每個(gè)對(duì)象的第四張圖像中的人臉表情都有很大的變化，并且第六張和第七張(a)ORL數(shù)據(jù)庫三種算法的識(shí)別結(jié)果(b)FERET數(shù)據(jù)庫三種算法的識(shí)別結(jié)果(c)AR子集1三種算法的識(shí)別結(jié)果(d)AR子集2三種算法的識(shí)別結(jié)果圖4.5三種算法在不同訓(xùn)練樣本下的識(shí)別率圖像的光照有很大的變化，對(duì)測試樣本的分類識(shí)別產(chǎn)生了很大的干擾，所以三種算法在這些樣本作為訓(xùn)練樣本的情況下識(shí)別性能較差。 從表4.3和圖4.5中可以看出，在四個(gè)數(shù)據(jù)集上，基于WMD的單樣本人臉識(shí)別算法的最高識(shí)別率比基于SVD的單樣本人臉識(shí)別算法或基于LUD的單樣本人臉識(shí)別算法的最高識(shí)別率都要高。在使用不同的訓(xùn)練樣本時(shí)，基于WMD的單樣本人臉識(shí)別算法都能保持較好的識(shí)別性能，進(jìn)一步體現(xiàn)出了基于WMD的單樣本人臉識(shí)別算法對(duì)于復(fù)雜環(huán)境和訓(xùn)練樣本的質(zhì)量具有較好的魯棒性。4.4 本章小結(jié) 本章首先介紹了實(shí)驗(yàn)的軟件MATLAB和實(shí)驗(yàn)中使用的三個(gè)人臉庫，然后詳細(xì)分析對(duì)比了基于WMD的單樣本人臉識(shí)別算法、基于SVD的單樣本人臉識(shí)別算法或基于LUD的單樣本人臉識(shí)別算法在三個(gè)廣泛使用的人臉庫上的實(shí)驗(yàn)結(jié)果。從不同的度量算法、不同投影向量數(shù)量和不同訓(xùn)練樣本三個(gè)角度進(jìn)行了實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明基于WMD的單樣本人臉識(shí)別算法通過自適應(yīng)加權(quán)的算法，在原有的基于矩陣分解的單樣本人臉識(shí)別算法的基礎(chǔ)上進(jìn)一步擴(kuò)展了2D-LDA的投影子空間，擴(kuò)大了求解的范圍，對(duì)復(fù)雜光照、表情變化、姿態(tài)變化和訓(xùn)練樣本的質(zhì)量都具有良好的魯棒性，具有較好的識(shí)別性能。

第五章總結(jié)與展望5.1 總結(jié)人臉識(shí)別是當(dāng)前模式識(shí)別研究領(lǐng)域的研究熱點(diǎn)之一，有著廣泛的應(yīng)用前景。單樣本人臉識(shí)別問題是人臉識(shí)別中的難點(diǎn)之一，有著重要的實(shí)際應(yīng)用價(jià)值。本文主要以基于矩陣分解的單樣本人臉識(shí)別算法為研究對(duì)象，對(duì)兩種現(xiàn)有的基于矩陣分解的單樣本人臉識(shí)別算法進(jìn)行了詳細(xì)的說明，并在這兩種算法的基礎(chǔ)上提出了一種基于WMD的單樣本人臉識(shí)別算法。并使用MATLAB軟件在三個(gè)廣泛使用的人臉庫上驗(yàn)證了三種算法的識(shí)別性能。本文主要貢獻(xiàn)如下：（1）詳細(xì)介紹了2D-LDA算法，對(duì)基于SVD的單樣本人臉識(shí)別算法和基于LUD的單樣本人臉識(shí)別算法的算法流程進(jìn)行了詳細(xì)的闡述。（2）在原有的基于矩陣分解的單樣本人臉識(shí)別算法的基礎(chǔ)上，提出了新的基于WMD的單樣本人臉識(shí)別算法。該算法使用2D-LDA對(duì)預(yù)處理后的訓(xùn)練樣本進(jìn)行判別性特征的提取和降維，能在得到有效判別性特征的同時(shí)提高算法的識(shí)別效率，并將基于SVD的單樣本人臉識(shí)別算法和基于LUD的單樣本人臉識(shí)別算法通過自適應(yīng)方差權(quán)重進(jìn)行加權(quán)融合，進(jìn)一步擴(kuò)展2D-LDA投影時(shí)的子空間大小，從而擴(kuò)大識(shí)別時(shí)的求解范圍。讓原有的兩種算法取長補(bǔ)短，提高識(shí)別的正確率和魯棒性。（3）在實(shí)驗(yàn)階段，使用MATLAB軟件，選取了三個(gè)廣泛使用的人臉數(shù)據(jù)庫進(jìn)行實(shí)驗(yàn)與分析，對(duì)比三種算法在不同情況下的識(shí)別效果，并對(duì)識(shí)別性能進(jìn)行了分析。5.2 展望然而，本文的研究工作還不夠，還存在以下不足：（1）對(duì)給定的圖像的預(yù)處理只進(jìn)行了灰度化和尺寸調(diào)整的操作，未進(jìn)行光照補(bǔ)償、姿態(tài)角度調(diào)整等預(yù)處理，使得圖片信息仍具有較多的干擾因素。（2）矩陣分解加權(quán)時(shí)僅使用了SVD和LUD兩種常見的矩陣分解算法，現(xiàn)有的矩陣分解還有很多種，在以后的工作中可以考慮在保證算法的識(shí)別性能的前提下，替換或加入更多的矩陣分解算法。（3）在特征提取過程中，僅使用了2D-LDA進(jìn)行特征整體特征的提取，未使用圖像的局部特征信息。在進(jìn)一步的研究中，可以采用分塊等算法提取出圖像的局部信息，使用局部信息和整體信息來進(jìn)行識(shí)別分類。（4）在算法的分類識(shí)別部分，直接采用了最小距離準(zhǔn)則進(jìn)行分類，但分類器也對(duì)算法的識(shí)別性能有著很大的影響。在以后的研究中，會(huì)進(jìn)一步致力于構(gòu)造能更好進(jìn)行人臉特征識(shí)別的分類器?？傊?，單樣本人臉識(shí)別研究是一項(xiàng)具有一定挑戰(zhàn)性但十分重要的工作，針對(duì)現(xiàn)在存在的這些問題，如何研究出一種更完善的解決算法還需要不斷努力，進(jìn)一步深入研究和探討。

攻讀學(xué)士學(xué)位期間主要的研究成果論文發(fā)表ZhangM,ZhangL,HuC.SingleSampleFaceRecognitionBasedonGlobalLocalBinaryPatternFeatureExtraction[A].//InternationalConferenceonNeuralInformationProcessing[C],Guangzhou:Springer,2017:530-539.專利申請張朦,張莉,王邦軍,張召,李凡長,一種單樣本人臉識(shí)別算法及系統(tǒng),申請?zhí)?201710107890.X.張朦,張莉,王邦軍,張召,凌興宏,姚望舒,李凡長,一種單樣本人臉識(shí)別算法、裝置、設(shè)備及可讀存儲(chǔ)介質(zhì).申請?zhí)?201810007877.1.軟件著作權(quán)張朦,張莉.基于LBP直方圖的復(fù)雜光照單樣本人臉識(shí)別仿真平臺(tái)軟件V1.0,軟件著作權(quán)登記號(hào):2018SR004246.張朦,張莉,基于加權(quán)矩陣分解的單樣本人臉識(shí)別仿真軟件平臺(tái)V1.0,軟件著作權(quán)登記號(hào):2018SR004246.競賽獲獎(jiǎng)張朦.基于二次規(guī)劃的加權(quán)單樣本人臉識(shí)別.蘇州大學(xué)第十七屆“挑戰(zhàn)杯”大學(xué)生課外學(xué)術(shù)科技作品競賽三等獎(jiǎng).張朦.基于全局LBP的單樣本人臉識(shí)別.蘇州大學(xué)第十八屆“挑戰(zhàn)杯”大學(xué)生課外學(xué)術(shù)科技作品競賽一等獎(jiǎng).科研項(xiàng)目張朦.復(fù)雜光照下的單樣本人臉識(shí)別.蘇州大學(xué)第十八批大學(xué)生課外學(xué)術(shù)科研基金項(xiàng)目.項(xiàng)目編號(hào):KY2016065A.張朦.基于全局LBP的單樣本人臉識(shí)別.蘇州大學(xué)第十九批大學(xué)生課外學(xué)術(shù)科研基金項(xiàng)目.項(xiàng)目編號(hào):KY2017073A.王喆,張朦,竇清昀,李甜甜,張小菲.表情識(shí)別算法研究.2016年蘇州大學(xué)校級(jí)大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練計(jì)劃項(xiàng)目.項(xiàng)目編號(hào):2016xj033.

參考文獻(xiàn)李子青.人臉識(shí)別技術(shù)應(yīng)用和市場分析[J].中國安防,2007,8:42-46.ZhaoW,ChellappaR,PhillipsPJ,etal.Facerecognition:aliteraturesurvey[J].ACMComputingSurveys,2003,35(4):399-458.李曉東.人臉識(shí)別算法研究[D].南京：東南大學(xué),2009.黃非非.基于LBP的人臉識(shí)別研究[D].重慶：重慶大學(xué),2009.GuanS,LiX.Improvedmaximumscatterdifferencediscriminantanalysisforfacerecognition[J].MeasurementandControl,2009:368-371.BledsoeWW.Man-machinefacialrecognition[M].PaloAlto:PanoramicResearchIncorporation,1966:1-20.YangC,ShiS,LiL,etal.Facerecognitionwithsingletrainingsamplebasedonlocalfeaturefusion[A].//TenthInternationalSymposiumonDistributedComputingandApplicationstoBusiness,EngineeringandScience[C],Wuxi:IEEE,2012:165-169.趙汝哲,房斌,文靜.自適應(yīng)加權(quán)LBP的單樣本人臉識(shí)別算法[J].計(jì)算機(jī)工程與應(yīng)用,2012,48(31):146-149.楊秀坤,岳新啟,汲清波.基于HOG和DMMA的單樣本人臉識(shí)別[J].計(jì)算機(jī)應(yīng)用研究,2015,2:627-629.KanM,ShanS,SuY,etal.Adaptivediscriminantlearningforfacerecognition[J].PatternRecognition,2013,46(9):2497-2509.WangJ,PlataniotisKN,LuJ,etal.Onsolvingthefacerecognitionproblemwithonetrainingsamplepersubject[J].PatternRecognition,2006,39(9):1746-1762.MajumdarA,WardRK.Pseudo-Fisherfacemethodforsingleimageperpersonfacerecognition[A].//IEEEInternationalConferenceonAcoustics,SpeechandSignalProcessing[C],LasVegas:IEEE,2008:989-992.KimTK,KittlerJ.Locallylineardiscriminantanalysisformultimodallydistributedclassesforfacerecognitionwithasinglemodelimage[J].IEEETransactionsonPatternAnalysis&MachineIntelligence,2012,27(3):318-327.KirbyM,SirovichL.ApplicationoftheKLprocedureforthecharacterizationofhumanfaces[J].IEEETrans.PatternMach.Intell,1990,12(1):103-108.HuangJ,YuenPC,ChenWS,etal.Component-basedLDAmethodforfacerecognitionwithonetrainingsample[A].//IEEEInternationalWorkshoponAnalysisandModelingofFacesandGestures[C].Nice:IEEE,2003:120-126.GaoQX,ZhangL,ZhangD.FacerecognitionusingFLDAwithsingletrainingimageperperson[J].AppliedMathematics&Computation,2008,205(2):726-734.Ko?M,BarkanaA.AnewsolutiontoonesampleprobleminfacerecognitionusingFLDA[J].AppliedMathematics&Computation,2011,217(24):10368-10376.HuC,YeM,JiS,etal.Anewfacerecognitionmethodbasedonimagedecompositionforsinglesa