论文部分内容阅读
人脸识别技术是计算机模式识别领域非常活跃的研究课题,在法律、商业、公安系统等领域有着广泛的应用前景。由于人脸图像的特殊性与复杂性,人脸识别问题也是模式识别领域的一个相当困难的问题,要使这一研究成为完全成熟的技术应用到日常生活中,还有许多工作需要去做。由于特征抽取是模式识别中最基本的问题之一,因此能否抽取人脸图像有效的鉴别特征也成为人脸识别技术的关键问题。本文针对目前人脸识别中存在的困难,就目前主流的几种代数特征抽取方法进行了较为深入地研究和改进。所提出的算法经过在多个通用人脸数据库中的实验,得到了较好的验证。本文主要工作包括:针对传统的Fisher线性鉴别分析(LDA)在人脸等高维图像识别应用中不可避免地遇到小样本问题,本文提出一种基于散度差准则的鉴别分析方法(MSLDA)。与LDA方法不同的是,该方法利用样本模式的类间散度与类内散度之差而不是它们的比作为鉴别准则,这样,从根本上避免了类内散布矩阵奇异带来的困难。在ORL和AR标准人脸库的实验结果验证了该算法的有效性。本文提出了一种新的基于差空间的最大散度差鉴别分析方法。该方法首先通过构造人脸图像的差空间,部分地消除了由于光照条件不同而引起的人脸图像的不稳定性,然后采用最大散度差鉴别准则函数进行最优鉴别特征的抽取,这样从根本上避免了传统的Fisher线性鉴别分析中通常存在的“小样本问题”。最后,在ORL标准人脸库和yale人脸库上的实验结果验证了该算法的有效性。针对传统的Fisher线性鉴别分析在人脸这样的多类高维小样本模式的分类中存在的“小样本问题”和“次优性问题”,本文提出了一种基于修正的最大散度差鉴别准则的线性鉴别分析方法。该方法对最大散度差鉴别准则中散布矩阵的构造加以修正,采用新的修正的最大散度差鉴别准则函数。该方法从理论上为有效地解决传统的Fisher线性鉴别分析在人脸识别中存在的这两大难题提供了有效的途径。最后,在ORL、AR标准人脸库上的实验结果验证了该算法的有效性。本文提出了一种二维最大散度差图像投影鉴别分析方法。该方法不仅从根本上避免了传统的Fisher线性鉴别分析所遇到的小样本问题,而且该方法是直接基于图像矩阵的,与以往的基于图像向量的鉴别方法相比,它的突出优点是大大的提高了特征抽取的速度。然后,本文从二维最大散度差线性鉴别分析的本质入手分析了它与传统的最大散度差线性鉴别分析的等价性,进而提出了一种改进的二维最大散度差线性鉴别分析方法。该方法通过对图像矩阵的重新构造,使其抽取的鉴别特征从理论上更加有利于分类识别。最后在ORL、AR标准人脸库上的实验结果验证了该算法的有效性。本文通过引入著名的“核技巧”,将二维最大散度差线性鉴别分析扩展到非线性空间,提出了一种新的二维核最大散度差鉴别分析方法。该方法不仅抽取了图像中更加有效的非线性鉴别特征,使正确识别率显著提高,而且为二维非线性鉴别分析提供了一个统一的构架。最后在AR标准人脸库中的实验结果验证了该算法的有效性。通过对传统的基于向量的典型相关分析方法进行分析改进,提出了一种新的直接基于特征矩阵的二维典型相关分析方法,并将其应用于人脸识别的特征融合过程中。较基于向量的典型相关分析,该方法的优点主要有两点:第一,该方法计算过程中构造的协方差矩阵维数大幅度减小,这在一定程度上避免了人脸识别中存在的“高维小样本问题”。第二,由于协方差矩阵维数的缩减,使特征抽取的速度明显提高。最后在ORL标准人脸库和AR大型人脸数据库上的实验结果有效的验证了这两点。