论文部分内容阅读
特征抽取是模式识别领域中的一个重要研究方向,在人脸识别中,抽取有效的鉴别特征是解决问题的关键。本文对当前一些主要的特征抽取方法进行了较为深入的研究,并在此基础上提出了几种更加有效的特征抽取方法,在人脸识别方面得到了较成功的应用。独立成分分析(ICA)方法是基于高阶统计特性,和基于二阶统计特性的主成分分析(PCA)方法相比,能提供更多的信息,但是它们都是最佳重构原始数据的信息,而不是最佳的分类信息。而线性鉴别分析(LDA)方法由于很好的利用了样本的类别信息,能够得到最佳的分类特征。另外,在传统的线性鉴别分析方法中是将各个样本同等对待,在人脸识别中,由于人脸受光照、姿态、表情等多种因素的影响,此时样本的分布变得比较复杂。因此,对于此种情况缺乏有效的特征提取手段。本文利用模糊集理论,通过引入模糊隶属度函数对传统的LDA方法中的类内散布矩阵和类间散布矩阵进行重新的定义,并提出了一种新的基于ICA的模糊LDA的特征提取方法。在AR,ORL和NUST603三个标准人脸数据库上的实验结果验证了新方法的有效性。在人脸识别中,Fisher线性鉴别分析经常会遇到高维小样本问题,出现类内散布矩阵奇异而无法直接进行特征抽取的情况。虽然,采用类间散布矩阵和类内散布矩阵的差作为鉴别准则,可以避免奇异性问题,但是,这些方法都是基于向量的,在进行计算时,容易导致“维数灾难”问题。本文将基于向量的散度差鉴别准则进行了推广,提出了直接基于图像矩阵的散度差特征抽取方法。该方法首先在图像的行方向上进行散度差鉴别分析,然后在图像列方向上进行二维主成分分析,进行特征抽取。在人脸数据库上的实验证明了该方法的有效性。本文还对二维主成分分析方法的产生矩阵进行了分析,并重新定义,在类间散布矩阵定义的基础上引入了径向基函数,通过调整径向基函数的系数得到更有利于分类的特征信息,获得较高的识别率,广义主分量分析是改进方法的一个特例。Fisher极小线性鉴别准则解决了标准Fisher鉴别准则方法中类内散布矩阵奇异的情况,并提取出图象具有最大可分性的鉴别矢量。由于独立成分分析方法基于高阶统计特性,和基于二阶统计特性的主成分分析方法相比,能提供更多的信息,基于这个想法,我们提出了一种新的基于ICA和极小线性鉴别准则的特征抽取方法。考虑到人脸识别中样本分布的复杂性,而核方法是解决非线性问题的一种有效方法,我们将Fisher极小线性鉴别推广到了基于核的Fisher极小鉴别分析。在人脸数据库上的识别结果验证了该算法的有效性。非局部保持投影(Non-locality Preserving Projection,NLPP)是一种线性流形学习算法。本文分析了局部保持投影(LPP)和非局部保持投影(NLPP)的理论基础,并将其推广到核空间,提出基于核的非局部保持投影的特征抽取分析方法。在Yale和ORL人脸数据库上的实验验证了新方法是有效的。