论文部分内容阅读
人脸识别是模式识别研究领域的一个重要研究方向,属于生物识别的研究领域。在人脸识别等模式识别研究领域,特征抽取是解决问题的一个关键。过去几十年中,在特征抽取的研究领域,有很多学者提出了相关的算法,如基于线性特征提取方法的线性鉴别分析,主成分分析和独立成分分析方法等,以及在支持向量机的基础上演变而来的基于核技巧的特征提取方法等等。本文对线性特征提取方法和非线性的特征提取方法做了更深入的研究,在特征提取过程之中融入了样本的结构信息以保留更多的鉴别信息,同时更关注已有算法的效率和性能。小样本问题是在利用Fisher线性鉴别准则做特征提取过程之中经常会遇到的问题,本文针对直接线性鉴别分析这一处理小样本的典型方法,提出了一种基于QR分解的新的DLDA算法——DLDA/QR算法,该算法在保留DLDA算法思想的基础上,降低了算法的复杂度,并且提高了算法的有效性和稳定性。此外,对于小样本问题,本文还从图像重构的思想出发,重新定义了一种新的有效分类图像空间,图像的低维特征数据可以由此空间抽取得到。我们分别在ORL和XM2VTS人脸数据库上验证了该算法的有效性。传统的线性鉴别分析方法在特征提取过程中使用的是2值情况下的判别标准,也就是说:对于给定的一个样本,在特征提取过程之中的判别依据是要么这个样本属于某个类,要么不属于某个类,每次执行的均是一个硬分类标准。而在特征抽取的具体问题中,由于当前训练样本的分布通常受外部因素的影响。如在人脸识别领域,人脸数据的采集往往受不同的表情,光照等条件的影响,因此原始样本的分布通常是复杂的,此时简单的将样本划入某一类的做法是不科学的。本文在特征提取过程之中融入了样本的隶属度信息,此时样本根据相应的分布信息可同时划入几个类别之中。同时,我们提出的新的特征提取方法将每一样本对分类所作的贡献通过隶属度函数表示出来。特征抽取过程之中的距离度量我们一般用点—点之间的距离来定义两者之间的差异性,本文受最近邻线思想的启发,提出了一种新的基于点—线距离的最近邻线非参数鉴别分析方法。同时在利用Fisher鉴别准则做特征抽取时,相应的样本分布必须满足2个前提条件,而这些条件在实际应用中是非常苛刻的,因此本文采用非参数鉴别分析的方法,有效的避免了这些因素的影响。核策略是基于支持向量机和统计学习理论发展起来的,是解决非线性问题的一个有效的手段。本文将模糊线性鉴别分析推广到了模糊核线性鉴别分析方法之中,同时采用2步骤的核线性鉴别分析方法。此外,传统线性鉴别分析的特征提取方法需要将图像矩阵转换成相应的图像向量,本文采用2维线性鉴别分析方法有效的避免了这一转换过程,同时引入模糊隶属度函数,提高了样本的识别性能。在人脸数据库上的识别结果验证了该算法的有效性。独立成分分析由于可以得到统计独立的各个成分,因此在特征提取中发挥着重要的作用。但是独立成分分析可以看作是主成分分析方法在高阶上的推广,因此由独立成分分析得到的低维特征数据同样缺少鉴别信息,并不是最有助于分类的数据。本文从分类的角度出发,在利用独立成分分析方法做特征提取的同时在特征提取过程之中融入了样本的鉴别信息,因此得到了更有助于分类的特征数据。此时得到的低维数据不仅保留了独立成分分析方法得到的特点,同时也加入了更多的鉴别信息。同时,对于正面人脸识别这一特殊情况,本文提出了基于对称独立成分分析的特征提取方法,利用人脸的镜像样本产生虚拟数据,有效的提高了人脸的识别性能。