论文部分内容阅读
人脸图像识别是模式识别领域最热门的研究课题之一，在信息安全、公安刑侦、人机交互等领域得到广泛应用。面对特征抽取后维度较高的现状，特征选择成为人脸图像识别必不可少的步骤。基于人脸图像识别的应用前景及特征选择的重要性，本文从单任务特征学习和多任务特征学习的角度入手，研究人脸图像识别中特征选择的识别率及稳定性等问题。主要有以下成果：1.对FisherScore准则、reliefF准则与mRMR准则三种具有代表性的特征选择算法进行了详细介绍，与改进保局投影LPP得到的PLS准则及基于字典学习的稀疏学习算法SRFS比较，在人脸图像身份识别中，PLS特征选择算法在识别率和时间效率上有着更好的性能。通过对比实验，初步验证了在人脸图像识别中，不同识别任务间特征选择结果存在差异，但共享着部分特征或结构。这与当下的研究热点多任务学习理论相符合，为多任务学习理论在人脸图像识别中的应用提供可能。2.人脸图像蕴含着种族、性别、身份、表情和年龄等丰富信息，对应不同信息的识别任务间存在相关性。结合多任务学习方法，提出基于多任务学习的特征选择算法MTLFS，并通过实验对MTLFS算法的有效性进行验证，与经典的mRMR和SRFS等算法比较，结果证明MTLFS算法在共享任务间相关信息的同时，识别率明显提升，且具有更高的鲁棒性。且对小样本训练时过度学习问题具有一定的缓解作用。3.与识别率、时间效率等因素一样，特征选择稳定性作为衡量特征选择算法性能的重要性质之一，本文将特征选择稳定性分析引入到人脸图像识别中，给出了特征选择稳定性度量标准，并分析了影响特征选择稳定性的原因，在多个人脸数据库上，实验证明本文所改进的PLS特征选择算法和MTLFS算法具有较高的稳定性。