论文部分内容阅读
作为图像识别的重要应用,人脸识别是目前模式识别领域一个非常活跃的研究课题。而特征抽取是模式识别研究的最基本问题之一,对于人脸识别而言,抽取有效的人脸特征是完成人脸识别任务的一个关键问题。近年来,随着特征融合技术的发展,典型相关分析方法,因其将两组特征向量融合成一组更具鉴别力的特征,得到了很好的发展。本文对典型相关分析及其增强算法在人脸识别中的应用进行了研究,主要工作和贡献概述如下:(1)从有利于模式分类的角度,给出了一种结合广义典型相关分析(GCCA)和判别型典型相关分析(DCCA)特点的典型相关判据准则——广义判别型典型相关判据准则,同时给出了广义判别型典型相关分析(GDCCA)的算法原理及其在人脸识别中的应用。在AR、ORL和Yale三个人脸图像数据库上对相关的方法进行了大量实验,结果证实了本文提出的GDCCA方法的有效性。实验结果表明GCCA方法的实验结果最好,DCCA和GDCCA方法略逊于GCCA,前三者均好于CCA。(2)在分析研究了传统的二维典型相关分析(2D-CCA)的基础上,从不损失有用信息的角度,给出了一种改进的二维典型相关分析。改进的方法是用一个模式类中的每个训练样本与该模式类中的所有训练样本的均值作为二维典型相关分析方法的两组特征矩阵,再使用2D-CCA提取相关投影矢量。该方法在AR、ORL人脸库上都得到了较高的识别率,与传统的二维典型相关分析相比,有较大提高。(3)通过对基于向量的判别型典型相关分析(DCCA)方法进行分析改进,给出了一种新的直接基于特征矩阵的二维判别型典型相关分析(2D-DCCA)方法,基于同样的思想,分析改进了基于向量的广义判别型典型相关分析(GDCCA),提出了直接基于特征矩阵的二维广义判别型典型相关分析(2D-GDCCA)方法。较基于向量的相应方法,基于矩阵的方法有效地避免了人脸识别中存在的高维小样本问题的同时使特征抽取的速度得到了明显提高。在不同的人脸数据库上对相关的方法进行了实验与对比分析。