基于流形理论的人脸识别方法研究

作为身份识别和鉴定的重要手段之一，人脸识别对于国家社会安全有着重要意义。由于人脸图像数据的高维性，在外围欧式空间中进行模式识别的可学习性受到极大限制。而人脸图像数据张成的子空间往往是嵌在高维欧式空间中的一个子流形，其自由度仅受有限的参数（如表情、姿态、光照等）确定。有效的学习人脸子流形的几何拓扑结构，譬如本征维度，度量张量，连通分支等，以及在此基础上研究流形上的泛函空间，将大大提高人脸识别的准确度。本项目将致力于流形学习的基础理论研究以及在人脸识别上的应用。人脸子流形可以通过一个包含人脸图像视觉信息以及类别信息的连通图来近似。通过谱图理论对该连通图的拉普拉斯矩阵分析，我们可以得到流形的一系列几何拓扑结构。此外，我们将研究如何选择定义在流形上的泛函空间（求解空间）以及在此泛函空间上的优化问题, 利用正则化理论设计反应流形本征结构的目标函数，并在人脸流形泛函空间上求解得到人脸分类器。

作为身份识别和鉴定的重要手段之一，人脸识别对于国家社会安全有着重要意义。由于人脸图像数据的高维性，在外围欧式空间中进行模式识别的可学习性受到极大限制。而人脸图像数据张成的子空间往往是嵌在高维欧式空间中的一个子流形，其自由度仅受有限的参数（如表情、姿态、光照等）确定。有效的学习人脸子流形的几何拓扑结构，譬如本征维度，度量张量，连通分支等，以及在此基础上研究流形上的泛函空间，将大大提高人脸识别的准确度。本项目致力于流形学习的基础理论研究以及在人脸识别上的应用。. 经过三年的有效执行，项目顺利完成，成果显著，发表了5篇顶级期刊文章（包括1篇TPAMI，2篇TKDE，1篇VLDB Journal和一篇Neurocomputing）和8篇顶级会议文章（包括2篇CVPR，2篇AAAI，1篇SIGKDD，1篇ACM Multimedia，1篇CIKM和1篇ICIMCS），并获得2010年国际互联网多媒体计算与服务会议（ACM ICIMCS）最佳论文奖。大大促进了流形学习的基础理论研究以及在人脸识别上的应用研究。