在当前高度信息化、网络化及数字化的社会环境下，信息安全问题备受社会各界广泛关注。生物特征识别技术具有普遍性、唯一性、稳定性、安全性、可靠性等特点，因此成为当前信息安全领域中极为重要的研究课题之一。

在众多生物特征识别技术中，人脸识别技术作为一种自然、直观、友好、安全、实用的生物特征识别技术成为当前领域中最具有发展潜力的技术之一。此外，人脸识别技术具有重要的理论研究意义和广阔的市场应用前景。

近几十年来，人脸识别技术已经取得了很大进展，积累了丰富的理论并涌现出大量的识别方法。尽管已有的人脸识别技术能够获得优越的性能，但由于人脸图像易受光照、表情、姿态等外界因素变化的影响，人脸识别仍然是一个复杂性的问题。因此人脸识别依然存在许多问题和关键技术有待于进一步解决与完善。

六种新的人脸识别方法    

笔者在《基于全局与局部信息的人脸识别》一书中针对已有人脸识别方法进行了分析与总结，在此基础上提出六种新的人脸识别方法，并将它们与现在流行的人脸识别方法进行比较。大量实验结果验证了本书所提出方法的有效性和可行性。主要工作如下。

1. 针对局部敏感判别分析（LSDA）方法未能有效地处理包含局外点样本的数据集，将类内散度矩阵引入LSDA 方法中，提出一种改进的局部敏感判别分析（ILSDA）方法。

最小化类内散度矩阵能够使局外点样本与其类中心更近，因此ILSDA 不仅能够保持数据的局部判别结构，还能获得更为紧致的低维特征。此外，提出了一种有效的方法求解投影矩阵。最后，分别在三个标准人脸图像数据库（Yale、FERET和ExtendedYaleB）和两个公开使用的基因数据库（Colon和Lymphoma）上进行了大量对比实验，大量实验结果验证了本节提出的ILSDA 方法的性能要优于其他对比方法。

2. 针对全局非负矩阵分解（NMF）和其扩展方法没有同时考虑高维数据的类别标签信息、数据的局部几何结构信息和基图像的稀疏结构性，提出了一种基于结构约束的判别非负矩阵分解（SCDNMF）算法。

首先，为了考虑基图像的稀疏结构性，引入像素散布惩罚约束项保证基图像具有一定的稀疏结构。其次，为了增强低维特征的判别能力，利用数据的类别标签构建类间邻域图和类内邻域图，并计算局部类内散度和类间散度差作为约束项。然后，将上述两个约束项整合到NMF方法框架中形成统一的目标函数。最后，分别在两个标准人脸图像数据库（Yale和ORL）和一个物体图像数据库（COIL20）测试SCDNMF方法的性能，并与其他主流的算法进行比较。大量实验结果验证了SCDNMF方法的有效性。

(a)SDA                                                                 (b)SODA

图  不同方法在COIL20人脸图像数据库上学习到的基底图像

每个子图中的图像表示基底图像，白色、黑色和红色三种像素分别表示基底图像中正值、零值和负值元素

3. 针对全局半监督非负矩阵分解（SNMF）方法未能利用少量标记样本与大量未标记样本之间的分布关系的问题，提出了一种基于标签传递半监督非负矩阵分解（LpSNMF）的特征提取方法。

在LpSNMF方法中，首先通过标签传递（LP）技术充分考虑了标记样本与未标记样本之间的几何分布关系。然后，结合LP与NMF两个过程形成统一框架，从而实现了低维特征提取与训练集中未知样本标签预测的双重目的。由于在LpSNMF方法中标签传递与特征提取两个过程交替进行并且彼此相互影响，因此LpSNMF方法不仅能够获得具有判别能力的低维特征，而且还能为未标记样本提供更为准确的预测标签信息。此外，提出了一种交替迭代更新优化算法求解LpSNMF方法的目标函数，并分别从理论分析与数值实验两方面验证了优化算法的收敛性。大量实验结果验证了LpSNMF方法的有效性与可行性。

4. 针对全局人脸识别方法的性能容易受外界因素（如光照、表情、姿态等）变化影响的问题，基于结构保持投影（SPP）提出了一种基于空间平滑判别结构保持投影（SS-DSPP）的有监督局部人脸识别方法。

首先，为了缓解外界因素变化对识别性能的影响，SS-DSPP方法将人脸图像划分为较小的子图像块。其次，为了提取判别能力局部低维特征，SS-DSPP方法不仅考虑了同幅人脸图像、不同子图的之间的构形关系，而且还考虑了每个子图集的判别几何结构信息。最后，为了在特征提取过程中保持二维图像的空间结构信息，提出了一种简单且灵活的空间平滑约束（SSC）准则，并将其融合到SS-DSPP方法目标函数中。大量实验验证了SS-DSPP方法的性能要优于其他对比方法。

5. 针对有监督局部人脸识别方法存在不能处理数据集中未标记样本及忽略不同子模式集内在关系的问题，提出了一种基于半监督局部岭回归（SSLRR）的局部人脸识别方法。

在SSLRR 方法中，首先利用自适应加权多图标签传递（AWMGLP）技术将少量标记样本的标签信息传递给未标记样本。然后，为了避免“样本外”问题，利用局部岭回归（LRR）方法构建预测标签矩阵与子模式集的线性关系。最后，将AWMGLP与LRR 两个过程整合成统一框架。因此，SSLRR方法不仅能学习到准确分类器函数，还能为未标记样本提供更为准确的预测标签。针对SSLRR方法的目标函数，提出了一种交替迭代优化算法进行求解，并获得其局部最优解。另外，同样从理论分析与数值实验两方面验证优化算法的收敛性，并给出了算法的计算复杂度。大量实验结果验证了SSLRR 方法的性能要优于其他对比方法。

6. 针对稀疏表示分类（SRC）方法及其扩展方法在表示待查询样本时没有考虑待查询样本与训练样本的关系，同时在处理局部人脸识别问题时没有考虑不同局部信息之间的相互关系的问题，提出了一种基于局部约束的联合动态稀疏表示分类（LCJDSRC）算法用于局部人脸识别中。

在LCJDSRC算法中，将联合稀疏表示和局部约束整合成一个统一的框架。它不仅考虑了来自于同一幅人脸图像中不同子图像间的相关性，而且也将数据的局部信息引入稀疏表示模型中。同时，基于贪婪的匹配追踪算法提出一种有效的优化算法求解LCJDSRC算法的目标函数。最后，采用四个标准的人脸数据库（ORL、Extended YaleB、AR和LFW）进行实验，大量实验结果证明了LCJDSRC算法的性能显著优于其他对比算法。

展望 

由于人脸识别是一个极为复杂的过程，仍然还有许多问题有待深入研究。因此，将从以下几方面对未来工作展开研究。

1. 基于图框架的学习方法是目前研究的重点问题之一，但这类方法的性能在很大程度上依赖于图的构建。已有的大多数方法都是将图构建过程与学习过程分开独立进行的。虽然目前有研究学者针对联合图构建与学习过程的问题展开初步研究，但如何构建“高质量”图的问题仍然有待于深入研究。

2. 现有的标签传递方法仅能解决未标记样本与标记样本来自相同类别集合的数据集的问题，即未标记样本的类别标签属于已标记样本的类别标签。因此，如何解决未标记样本的标签不属于已标记样本类别标签集合的问题，从而改善已有方法的性能也是未来研究的一个重点。

3. 已有的大多数人脸识别技术都是基于单源数据进行的。然而随着计算机技术的发展与采集数据方式的多样化，人们可以获取大量的异源数据（多源数据）。因此，如何有效利用多源数据进行人脸识别成为未来研究的一个方向。

本文由刘四旦摘编自孔俊、易玉根、王建中著《基于全局与局部信息的人脸识别》（北京:科学出版社，2016.3）一书。

（智能科学技术著作丛书）

ISBN978-7-03-047462-9

近几十年来，人脸识别技术已经取得了很大进展，积累了丰富的理论并涌现出大量的识别方法。《基于全局与局部信息的人脸识别》针对已有人脸识别方法进行分析和总结，在此基础上提出六种新的人脸识别方法，并将它们与目前流行的人脸识别方法进行比较。大量实验结果验证了本书所提出方法的有效性和可行性。本书理论清晰、内容翔实、实验丰富，适用于信息类、计算机科学与技术等专业的本科生和研究生，也可供人工智能、模式识别等相关领域的研究人员和工程技术人员参考。

一起阅读科学!

科学出版社│微信ID：sciencepress-cspm

专业品质  学术价值

原创好读  科学品味

点击文中书名、作者、封面可购买本书