论文部分内容阅读
人脸是人们社会交流中所关注的焦点,在辨别身份和传递感情方面起着重要的作用。尽管人们能够毫不费力地识别出人脸及其表情变化,然而利用计算机对人脸图像进行自动识别却是一个相当困难的问题。另一方面,由于人脸识别技术在视频监控、访问控制、信用卡验证、多媒体数据库检索以及安全等领域有着广阔的发展前景,因此在过去的20多年里,人脸识别一直是模式识别和计算机视觉领域研究的热点。 特征提取和分类器设计是人脸识别中两个关键性的问题,本论文针对这两方面的问题,尝试将近年来模式识别领域中的新方法—核方法应用于人脸识别问题研究中,取得了一些有意义的结果 本文的主要工作包括: 1、提出了一种小指数点积核函数。我们讨论了基于距离和点积的两种核函数,以及为了达到更好的分类效果,核函数应能够具有:(1)在原始空间中相关性很强的样本映射到高维空间后,其相关性变弱;(2)原始空间中相关性很弱的样本映射到高维空间后其相关性不能减弱的太快,仍需要有微弱的相关性。在此基础上,提出了更好的满足这些性能的小指数点积核函数,并将应用到主分量分析中。在AR和ORL人脸库上的实验结果表明:相对于多项式核函数,应用小指数点积核函数的核主分量分析的人脸识别有较低的误识率,且对光照、姿态及面部表情变化有更好的鲁棒性。 2、结合小指数点积KPCA方法,本文提出小指数点积KPCA+零空间的人脸识别方法。首先利用小指数点积核主分量分析(KPCA)提取人脸样本的非线性特征,提高对光照、姿态及面部表情变化的鲁棒性,然后构造训练样本的类内散布矩阵零空间,在此零空间内找到令类间离散度最大的投影方向,往此方向投影得到人脸样本的最优分类特征矢量。应用此方法在AR人脸库和ORL人脸库上实验结果表明:这种方法的识别率和对光照、姿态及面部表情变化的鲁棒性对比Fisher脸方法有显著提高。