基于子空间聚类与神经网络的人脸识别研究开题报告

1. 研究目的与意义、国内外研究现状（文献综述）

1.课题的意义与国内外研究进展：

随着信息时代的发展，作为图像处理的重要分支，人脸识别在安防、经济、刑侦等诸多领域有着至关重要的地位。人脸识别主要步骤分为图像预处理、人脸检测与定位、图像归一化处理、特征提取及人脸识别。早期受到知识水平和计算机技术的制约，人脸识别的应用受到了很大的制约。随着计算机学科的发展，人脸识别技术也得到了空前的进步。由于图像均是由亿级像素点构成。高维数据的处理不仅对算法的复杂度要求苛刻，而且由于噪声污染与样本缺乏也对算法的性能构成了挑战。通过研究发现，高维数并不会均匀的分布于对应的高维空间，而是分布在一些较低维的子空间上，因此利用一些投影、聚类的方法将其提取到低维子空间中，研究其性质就会方便许多。

聚类方法其中重要的一类便是主成分分析法（pca）与线性判别分析（lda），其中pca对应的识别算法被称为eigenfaces，lda对应的是fisherfaces算法。之后，yang等为了解决pca算法丢失相邻像素间信息结构的问题提出了基于核函数的kpca、klda、kfda以及2dpca算法。为了解决pca、lda忽略了高阶统计信息的问题，bartlett等提出了独立成分分析（ica）；为了减小类内误差研究者们发明了cv法等；以特征融合为目的相关分析（cca）引入了非负矩阵因子（nmf）更加促进了子空间方法在人脸识别中的应用。特征提取时要求算法对人脸的表情、姿态，光照变化、遮挡、面部偏转等问题具有鲁棒性。特征提取可以粗略的分为三大类，即几何特征、代数特征以及基于连接机制的人脸识别，主要方法则有harr-like、gabor变换以及sift特征、神经网络等。对于人脸检测步骤则可大致分为两部分，即基于统计信息的人脸检测与基于先见经验的检测，基于统计信息的人脸检测主要是利用神经网络与支持向量机的方法。人脸定位与预处理主要涉及到卷积图像。

2. 研究的基本内容和问题

1.研究的目标与内容：

①利用matlab等计算机语言对图像数据进行预处理，如亮度、对比度、直方图归一化、卷积图像等，依据神经网络、支持向量机与经验知识定位等方法实现人脸检测与定位算法；

②分析比较不同聚类方法对人脸数据特征提取的优劣，利用matlab等计算机语言实现特征提取，并通过不同数据检测算法鲁棒性；

3. 研究的方法与方案

1.研究方法：

涉及到的方法包括投影算子与子空间、稀疏子空间的聚类分析（迭代、代数、统计、基于谱聚类的方法）、神经网络与机器学习、支持向量机、gabor变换、“k-l”变换、层次聚类模式识别、主成分分析、线性判别分析、高阶统计信息为目标的独立成分分析等。

4. 研究创新点

本次课题将会较为全面的分析实现人脸识别的几个关键步骤，即图像预处理、人脸检测与定位、图像归一化处理、特征提取及人脸识别，特征提取与主要分析比较了几类聚类方法，即迭代方法、统计方法、代数方法及基于谱聚类的方法。

神经网络与深度学习则是一种可以通过机器学习从而自动进行特征提取的方法，当训练网络数较大时一般有较理想的结果。但这会增加计算量，因此需要在保证准确率的前提下尽量减小训练网络数，从而提高算法的速度，与手工设计特征相结合，图像分块深度学习的方法则是一种很好的方法。

在人脸识别中，要想解决高维数据带来的分析困难，除了子空间聚类与深度学习，还会融合很多其他的手段，如支持向量机、深度卷积、小波变换等。因此需要将各个方法结合比较，从而得到一套较为优良的算法进行人脸识别，最后则应反复进行试验，以确保算法具有较高效率与鲁棒性。

5. 研究计划与进展

1.前期准备（2020.1-2020.2）：

①与导师交流学习，查阅文献，初步确定研究方向与内容，形成研究框架；

②填写开题报告表格，并准备开题答辩；