基于流形的特征抽取及人脸识别研究的综述报告.docx

基于流形的特征抽取及人脸识别研究的综述报告
人脸识别是一种寻找目标人脸的方法，其中最关键的处理步骤是从人脸图像中提取出鲁棒性高、且判别性好的特征。近年来，随着计算机视觉中深度学习技术的不断发展，基于流形的特征抽取及人脸识别的研究备受关注。
一、基于流形的特征抽取方法
1.局部线性嵌入（LLE）
LLE（LocallyLinearEmbedding）是一个基于局部线性重构的无监督降维算法，它基于保持数据的局部线性特性原则，将高维数据映射到一个更低维的空间中，并尽量保持数据中的局部关系。LLE算法的主要流程包括了对每个数据点进行局部线性重构、计算全局性的线性关系和生成低维度的映射。
2.非线性流形的多切片切图算法（MN-SSC）
MN-SSC能够解决传统线性流形特征计算方法无法处理的非线性流形特征问题。MN-SSC算法的主要思想是通过构造Kidney脏脏图像的多个二维平面切片，将该三维图像分解为多个小块。使用SSC（Self-Representation-basedSubspaceClustering）将每个小块中的重复以及减少噪声的图像基准形成一个新的基准，然后再将它们映射到一个更低的维度中。
3.辅导多流形的负责人算法（AMLE）
AMLE（AssociateMultipleManifoldswithLabelsbasedEstimation）算法是在多流形人脸识别问题中进行特征抽取的一种算法，传统特征提取方法无法准确抽取出不同流形提供的信息。AMLE算法主要涉及到的两个关键方面是流形约束和标签信息。流形约束考虑到每个类别的人脸是在其分布不同的流形上的，并尝试将类别恢复到对应的流形上。标签信息则是帮助算法实现对于每个样本的最大流形分配。
二、基于流形的人脸识别方法
1.高阶局部二值模式（HORLBP）
HORLBP（High-OrderLocalBinaryPattern）是一种基于概率分布的模式识别算法。该算法可以对人脸图像进行特征描述，并提出了一种新颖的高级局部二进制模式（HLBP）提取方法，通过该方法可以减少图像纹理中线性模式的重复和增加图像纹理的多样性。
2.局部灰度能量直方图（LG-LBP）
LG-LBP将局部灰度能量模型与LBP（LocalBinaryPattern）模型进行了降维处理，提出了一种新颖的基于无监督LGE-HSLE（局部灰度熵直方图-局部灰度能量直方图）获取准确特征的方法，有效提高了人脸识别的准确率。
3.基于多尺度局部二值模式（MSLBP）的人脸识别
基于MSLBP的人脸识别是从基于LBP的方法发展出来的一种新的方法。该方法通过在不同的尺度下计算LBP特征向量，并使用了KPCA（KernelPrincipalComponentAnalysis）来降低维度，从而抓住数据中的子三维面。
总的来说，基于流形的特征抽取及人脸识别方法在解决人脸识别中存在的问题中逐渐成熟，但是在可扩展性和鲁棒性方面仍需要进一步探索。同时，当前流形识别方法中启发式、组合方法和深度学习等方法等也在得到广泛的应用。