论文部分内容阅读
人脸识别是生物特征识别中的重要方向，其具有自然、友好、无侵犯性等诸多优点，并且人脸数据的采集十分方便，因此人脸识别目前已成为生物特征识别领域里研究的热点。本文针对人脸识别中的基于广义奇异值分解的鉴别分析方法进行了研究，提出了若干改进的算法。主要包括以下几个方面的内容： （1）介绍了人脸识别技术的应用背景、研究目的和意义，以及人脸识别技术研究方法的发展现状、分类器和距离度量的内容； （2）阐述了鉴别分析技术的发展现状以及基于广义奇异值分解的线性鉴别分析（LDA/GSVD）和非线性鉴别分析(KDA/GSVD)的理论基础和算法，将组合核思想应用到KDA/GSVD中，取得了优于单一核函数的分类效果。 （3）提出了加权调整的基于广义奇异值分解的线性鉴别分析方法(WLDA/GSVD)，通过定义加权类间散布矩阵，使各类样本中心在分类空间中达到均衡分布，调整了传统的投影轴错分密集类别的局限性。并在ORL人脸库上针对LDA/GSVD方法做了对比实验，从最后实验结果不难看出本文提出的加权调整的广义奇异值分解线性鉴别分析有更好的识别效果。 （4）传统的LDA方法是把图像矩阵转化为一维的数据向量，进而计算类间散布矩阵和类内散布矩阵，一般图像矩阵转化为向量后都会具有较高的数据维数，相对而言训练样本数又过少，这时就给准确计算散布矩阵带来了困难，同时，这时的类内散布矩阵往往都变得奇异，传统线性鉴别分析方法的这些弊端，使其应用遇到了很大的挑战，因此提出了基于图像的广义奇异值分解线性鉴别分析（IMLDA/GSVD），在ORL和FERET人脸数据库上的实验说明了IMLDA/GSVD算法的有效性和高效性。