论文部分内容阅读
人脸识别是模式识别、图象处理和人工智能领域最具挑战性的研究方向之一。广义上，人脸识别包括三个主要技术环节，即预处理、人脸特征提取和分类器设计。人脸特征提取又称为人脸表述，是在低维特征空间内对原高维空间的人脸模式进行描述、建模，目的是提取出有利于分类的低维特征。特征提取是人脸识别的关键环节，有效的人脸特征提取方法不仅有助于简化后续的分类器设计，而且能够提高识别率。但是由于人脸模式的复杂性和多变性，在视角、光照和表情等条件变化下人脸图象的类内离散度远大于类间离散度，导致很难有效地提取分类特征。因此，人脸特征提取也是人脸识别的主要难点所在，注重鲁棒性同时兼顾效率的人脸特征提取技术一直是研究的热点。
本文主要针对人脸特征提取技术进行研究，研究的重点是基于整体的人脸表述方法，目的是进一步提高人脸特征提取和识别算法的鲁棒性及有效性。为此，首先介绍了现有的人脸表述方法；随后，结合人脸模式的特点，探讨了几种非监督的人脸表述方法；最后，研究了基于判别分析的监督方法在人脸表述中的应用。
具体来说，本文的主要创新性成果有：
(1)提出了结合人脸全局信息和局部(器官)信息的人脸组合特征提取方法，并研究了几种相似性度量下组合特征的分类性能。该方法在DCT整体特征的基础上，增强了脸部重要器官(眼和鼻)的信息，能够有效地描述人脸模式。实验结果表明，该方法优于传统的PCA和DCT方法，并且对分类度量相对不敏感。此外，相比于PCA方法，组合特征方法具有更好的计算性能。为了快速有效地定位脸部器官，提出了一种基于几何投影和模板匹配相结合的人脸特征点定位算法。该方法综合了投影法和模板匹配法的优点，既有较高的定位精度和计算速度，同时对光照、视角的变化有很好的鲁棒性。
(2)提出了基于函数替代的非线性独立元分析法(FR-ICA)。该方法通过定义非线性映射将样本从输入空间映射到低维空间，然后在此空间内进行ICA变换。在采用同样核函数的情况下，该算法提取的特征与KICA算法提取的特征有着相近的分类性能，但本文方法可任意选用核函数，不需要其满足Mercy条件。
(3)研究了基于局部灰度分析的人脸表述方法。在局域二值模式(LocalBinaryPattern，LBP)表述符基础上，结合人脸图象的特点，提出了一种基于多分辨率ILBP(improved-LBP，ILBP)直方图的人脸表述方法。与常用的基于Gabor小波的方法相比，本文方法识别率相当且计算量较小。
(4)结合人脸模式的特点，系统地研究了基于判别分析的人脸特征提取方法。在此基础上，提出了两种改进的LDA算法，即直接加权LDA(DW-LDA)和改进LDA(I-LDA)。DW-LDA的基本思想是使用不损失重要判别信息的方法来降维，同时在传统的Fisher准则中引入加权函数得到与分类率直接相关的改进准则，能够有效地处理小样本问题及传统的Fisher准则在多类情况下非最优问题。I-LDA是DW-LDA的增强版本，主要是利用同时对角化技术来提高算法的泛化性能。提出了两种基于核的判别分析算法，即基于QR分解的核判别分析(QR-KDA)和基于核的改进判别分析(KIDA)。QR-KDA能够较好地解决(KDA中)伪类内离散度矩阵奇异性的问题，并且其计算量较小；KIDA可以看作是I-LDA基于核方法的推广形式，它不仅能有效的处理伪类内离散度矩阵奇异性的问题，而且通过在高维隐特征空间内引入加权函数重构Fisher准则，很好的解决了KDA方法中的Fisher准则在多类情况下非最优问题。