论文部分内容阅读
特征抽取是模式识别中最基本的问题之一。在人脸识别中，抽取有效的鉴别特征是解决问题的关键。线性投影分析(包括主分量分析(或称K-L变换)和Fisher线性鉴别分析)与基于核技术的非线性投影分析是特征抽取中最为经典和广泛使用的方法。该文就有关线性投影分析与基于核技术的非线性投影分析的理论与算法进行了深入的研究，所提出的算法在人脸识别方面得到了较成功的应用。 高维小样本情况下如何有效地求得理想的Fisher鉴别矢量是非常困难且急待解决的问题。该文基于广义的Fisher线性判别准则，将投影变换、同构变换和压缩变换相结合，解决了这个问题，完善了小样本情况下线性鉴别分析理论。给出了PPCA+FDA有效实用算法。利用这个算法，基于广义的Fisher鉴别准则最优鉴别向量的计算只需要在低维空间里进行，减少了计算量，提高了求解的效率。在ORL人脸库三种分辨率灰度图像上实验表明，PPCA+FDA算法抽取的鉴别向量有较强的特征抽取能力。 该文秉承主成分分析的思想，从原始数字图像出发，在模式识别之前，先对图像进行分块，对分块得到的子图像矩阵使用主成分分析进行鉴别分析—这种特征抽取方法称为分块主成分分析或单元主成分分析。理论上来说，分块主成分分析是主成分分析的推广。基于分块主成分分析，进一步提出了M2PCA+FDA特征抽取方法。M2PCA+FDA大体可分为两个步骤：首先将分块PCA用于原始图像以便获得与原始图像对应的低维的模式，然后对低维的模式施行fisherfaces方法实现模式分类．在Yale和NUST603两个人脸库上与ORL和NUST603两个人脸库上分别检验了两种方法的识别性能，实验结果表明两种方法抽取的鉴别特征有较强的鉴别能力。 该文对二维主成分分析进行了推广，提出了分块二维主成分分析(Modular two dimensional principal component analysis，M2DPCA)，或简称为分块2DPCA，并将其应用于人脸识别。分块2DPCA的基本思想与已有的诸如FDA、PCA、Modular PCA鉴别方法不同，在鉴别特征提取过程中不需要事先将图像矩阵(或子图像矩阵)转化为图像向量。其基本步骤是先对图像矩阵进行分块，然后对分块得到的子图像矩阵施行2DPCA。在ORL和NUST603两个人脸库上的实验表明，与基于图像向量的鉴别方法(比如PCA)相比，该方法不仅有较高的识别性能，而且能够大幅度地提高特征抽取的速度。其次，由于直接基于2维子图像矩阵，在特征提取过程中可以避免使用矩阵的奇异值分解，过程简便；在ORL人脸库上的试验结果表明，在识别性能方面，分块2DPCA优于2DPCA。基于分块2DPCA，本文还提出了分块2DPCA+Fisherfaces鉴别分析方法。在NUST603人脸库实验，该方法可以达到99.2％的识别率，这个结果与