论文部分内容阅读
统计模式识别方法现在已经成功地被应用到了很多目标识别的问题当中，其中一个经典的例子就是应用于人脸识别，这也是模式识别领域的一个重要研究方向。其中基于主成分分析(PCA)和线性鉴别分析(LDA)就是十分具有代表性的基于统计的人脸识别方法。而Gabor小波变换系数作为人脸特征所完成的人脸识别具有良好的视觉特征和生物学特征，被广泛用于人脸特征提取。本文针对两类经典识别方法在具体应用中体现出的不足之处，进一步将人脸图像的Gabor特征和PCA算法以及LDA算法相结合并改进，提出两种新的算法进行人脸识别，以期达到提高识别率的目的。
本文研究工作主要围绕以下2个方面进行：
第一，在传统的Gabor-LDA算法上，提出自适应加权Gabor-LDA。算法首先对人脸图像进行Gabor小波变换，然后对得到的特征向量使用改进的主成分分析方法(PCA)变换降维，在降维后的子空间内，根据样本与同类样本间的距离赋予该样本一权值，再用加权后的样本求取类均值，以新的类均值重建类内散布矩阵和类间散布矩阵，从而改进了线性鉴别分析(LDA)判别函数，有效的解决小样本情况下训练样本类均值偏离类中心的问题。
第二，在Gabor小波、二维主成分分析(2DPCA)、二维线性鉴别分析(2DLDA)的基础上，对Gabor-2DLDA人脸识别方法进行研究。算法首先对人脸图像进行Gabor小波变换，在降维的子空间内，然后进行2DLDA处理，最后使用最近邻法则进行分类。
本文以ORL和Yale人脸数据库为操作集对上述两种方法进行了仿真和实验测试。同传统方法相比，实验结果表明了两种算法在识别性能方面的优越性。