论文部分内容阅读
由于在司法、金融、人机界面等方面的应用,人脸识别一直是模式识别领域的研究热点。人脸识别的关键是鉴别特征的提取。为了提取有效的鉴别特征,研究者提出了许多方法。在众多方法中,子空间分析方法因其计算简单与有效成为了主流方法之一。本文以二维子空间分析为基础,对人脸特征的提取展开了深入的研究,并初步探讨了人脸特征的保护。论文的主要创新和贡献体现在以下几个方面:1.现有的双向二维特征提取方法的都是基于单一准则的,这样提取的特征在某种目标函数下是最优的,但却忽略了样本其它方面的重要属性。为了克服这种不足,提出了基于多准则的双向二维子空间分析人脸特征提取方法(2D)2PCALDA和(2D)2LPPPCA。(2D)2PLDALDA在行、列方向上分别对人脸图像进行2DPCA和2DLDA投影,最终得到的人脸特征不仅能够很好地描述样本,而且充分利用了样本的类信息,使得同类样本更聚集、不同类样本更分离;通过在行、列方向采用2DPCA与2DLPP,(2D)2LPPPCA得到的人脸特征不仅包含了来自2DPCA的样本的全局信息,而且也包含了由2DLPP提取的样本的局部信息。2.LDA是最佳的二分类方法,在解决K(K>2)分类问题时, Fisher准则是通过1/2K(K-1)次二分类来实现,这样容易导致间距较小类在投影后的重叠。为了克服这个问题,通过加权类间散度矩阵、在类内散度矩阵中嵌入样本最近邻图提出了二维加权局部保持鉴别分析(2DWLPDA)特征提取方法。加权类间散度矩阵可使不同类间的距离在投影空间具有更合理的分布,避免邻近类之间的重叠;在类内散度矩阵中嵌入样本近邻图,可在投影空间很好地保留样本空间的几何结构。实验结果表明,2DWLPDA提取的人脸特征具有较好的鉴别性能,是一种有效的人脸特征提取方法。为了进一步减少保存样本特征的存储空间和降低算法复杂度,结合2DWLPDA和2DPCA,提出了(2D)2WLPDAPCA方法。3.多散度差准则(MMSD)是LDA准则的一种变形,将Fisher准则的瑞利商变为样本的类间散度与类内散度的差,从而解决了LDA准则面临的“小样本问题”。但由于其是基于向量的方法,计算成本与存储成本较高。为了降低计算成本与存储成本,通过矩阵投影技术,提出了二维多散度差准则(2DMMSD),进一步通过在行、列方向分别进行2DLPP与2DMMSD投影,提出了一种双向二维人脸特征提取方法(2D)2MMSDLPP。(2D)2MMSDLPP提取的人脸特征既包含来自2DMMSD的全局鉴别信息、又包含来自2DLPP的局部结构信息。4.同一区域人脸像素灰度值具有很大的相关性,其差值不大,因此,简单地通过比较当前像素灰度值与某个具体数值的大小对LBP进行编码,必然导致冗余信息的增加。为了减少LBP的冗余,通过判断当前像素灰度值是否在某个范围内进行编码,这样改进后的LBP能够很好地减轻冗余。将改进后的LBP方法应用到人脸检测中,实验结果表明提取的人脸特征具有更好的鉴别性。提出了局部三值微分模式(LTDP)算子,与局部微分模式(LDP)相比较,LTDP具有更丰富的编码模式,其提取的人脸特征也更具鉴别性。为了克服子空间方法对光照的敏感性,首先将人脸图像用改进后的LBP和LTDP进行预处理,然后对得到的图像纹理特征进行两个方向上的二维子空间分析。实验结果表明,采用这种两阶段方法得到的人脸特征具有较好的抗光照变化的能力。5.结合随机投影(RP)与双向二维子空间分析,提出了一类可撤除的人脸特征提取方法。通过对人脸图像行、列方向分别用随机矩阵和二维子空间投影矩阵进行投影,得到的特征既具有很好的鉴别性、又具有较强的安全性与可撤除性。改变随机矩阵可得到不同的人脸模板,而随机矩阵的奇异性也决定了很难通过变换得到人脸的原始特征。实验结果也表明,即使攻击者得到真实的人脸样本,如果不知道随机矩阵也很难得到认证。