人臉識(shí)別中特征提取算法的研究及應(yīng)用.pdf

1、近些年隨著人臉識(shí)別技術(shù)在計(jì)算機(jī)視覺、人工智能方面的廣泛應(yīng)用，這就使得該項(xiàng)技術(shù)在現(xiàn)實(shí)生活中擁有重要的應(yīng)用價(jià)值和現(xiàn)實(shí)意義。如門禁系統(tǒng)、公共安全等。同時(shí)人臉識(shí)別技術(shù)作為生物特征識(shí)別領(lǐng)域中最直接、友好的交互方式，也使得它成為了計(jì)算機(jī)模式識(shí)別領(lǐng)域研究的活躍話題。最為經(jīng)典且其理論已經(jīng)達(dá)到很成熟的人臉識(shí)別算法分別是Person K和Fisher R A提出的主成分分析（PCA）和線性鑒別分析（LDA）。并且，到目今為止，很多的新興方法都是以它們?yōu)榛鶞?zhǔn)

2、而提出來的。
　　本文在前人的基礎(chǔ)上，以最早出現(xiàn)的且理論成熟的人臉特征提取算法PCA和LDA為基準(zhǔn)，主要進(jìn)行了以下幾項(xiàng)工作：
　　文章首先介紹了人臉識(shí)別技術(shù)的發(fā)展歷史及其應(yīng)用領(lǐng)域，給出了國內(nèi)外的研究現(xiàn)狀，同時(shí)對(duì)人臉識(shí)別技術(shù)經(jīng)常用到的人臉數(shù)據(jù)庫做了簡要的闡述，并且分析了影響人臉識(shí)別效率的主要技術(shù)難點(diǎn)。其次給出PCA和LDA算法的具體流程及其應(yīng)用于人臉識(shí)別系統(tǒng)的工作原理。同時(shí)還給出了這兩種方法對(duì)于高維數(shù)據(jù)降維的示例分析。分析了結(jié)

3、合PCA和LDA兩種方法優(yōu)勢的算法PCA+LDA具體流程。然而，這三類方法均屬于線性特征提取方法，無法表征人臉圖像的高維非線性結(jié)構(gòu)信息。
　　第三和第四章作為本文的核心內(nèi)容，在第三章分析了KPCA算法，它是由Schoholkopf等人在支持向量機(jī)中通過核函數(shù)實(shí)現(xiàn)非線性變化的影響，將其與PCA方法結(jié)合所提出來的，彌補(bǔ)了線性特征提取方法中的不足。并給出基于KPCA方法的改進(jìn)方法用于提取人臉的非線性結(jié)構(gòu)信息。同時(shí)，給出流形學(xué)習(xí)算法LLE

4、和基于LDA的改進(jìn)算法原理。在ORL人臉庫上進(jìn)行相關(guān)實(shí)驗(yàn)，分析各自方法的優(yōu)缺點(diǎn)。
　　然而，PCA方法只能提取樣本的全局信息，并未考慮到樣本之間的鑒別信息，結(jié)合PCA和Fisher鑒別分析的方法，同時(shí)考慮到樣本的全局信息和鑒別信息，識(shí)別率得到提升，但對(duì)人臉圖像的非線性結(jié)構(gòu)信息不能形成有效映射。而幾種流形算法就其本質(zhì)而言，他們都是種線性的特征提取方法。針對(duì)人臉高維分布的非線性特性，本文提出一種新的基于核主成分分析和最小距離鑒別投影的