基于2DPC A的人臉識(shí)別研究.pdf

1、人臉識(shí)別是圖像識(shí)別研究領(lǐng)域中發(fā)展迅速、成熟且應(yīng)用非常廣泛的方向之一。人臉識(shí)別的過程分為多個(gè)環(huán)節(jié),特征提取是其中最為關(guān)鍵的一環(huán),怎樣利用特征提取獲得最多的有效特征是我們研究的關(guān)鍵問題。人臉識(shí)別的圖像往往是高維數(shù)的,但是這些人臉樣本圖像在高維空間中分布是非常稀疏的,這樣就會(huì)給人臉識(shí)別過程帶來相當(dāng)大的挑戰(zhàn)。同時(shí)光照變化等問題一直以來是人臉識(shí)別中非常突出的問題,這些問題的存在同樣阻礙人臉識(shí)別的發(fā)展。
　　主成分分析(Principal C

2、omponent Analysis,簡(jiǎn)稱 PCA)方法是把圖像矩陣轉(zhuǎn)換成列向量進(jìn)行處理,從而丟失了一部分結(jié)構(gòu)化特征信息,并且使協(xié)方差矩陣的維數(shù)很高、計(jì)算量很大。其中改進(jìn)了的二維主成分分析(Two-dimensional Principal Component Analysis,簡(jiǎn)稱2DPCA)方法直接在圖像矩陣上進(jìn)行處理,充分利用了樣本類別的差異,相比 PCA特征提取方法提高了識(shí)別效率。然而2DPCA識(shí)別產(chǎn)生的冗余參數(shù)對(duì)存儲(chǔ)空間要求很高

3、。同時(shí),2DPCA方法對(duì)人臉識(shí)別中光照變化魯棒性不是很強(qiáng)。
　　為了解決2DPCA存在的上述問題,本文把非參數(shù)子空間分析(Nonparametric Subspace Analysis,簡(jiǎn)稱 NSA)方法融合到2DPCA方法中去,這樣做既可以降低2DPCA方法特征向量的維數(shù)和減少冗余參數(shù),又能加強(qiáng)主成分分量對(duì)于人臉識(shí)別的貢獻(xiàn)率。其中 NSA方法是一種子空間學(xué)習(xí)方法,它可以降低維數(shù)和加強(qiáng)有利于鑒別的局部信息,所以它可以使2DPCA在