基于子空間分析的臉識(shí)別算法研究.pdf

1、人臉識(shí)別是當(dāng)前生物特征識(shí)別中的研究熱點(diǎn),提取穩(wěn)定、可靠、區(qū)別于其它個(gè)體的特征是人臉識(shí)別的關(guān)鍵。其中基于子空間投影的特征提取方法,因其算法簡單、識(shí)別高效而備受人們的親睞。本文以人臉識(shí)別為目標(biāo),針對(duì)現(xiàn)有人臉圖像特征提取存在的幾個(gè)問題,以子空間分析方法為中心,多種特征提取手段相結(jié)合,采用特征提取的混合模型,得到更加可靠有效的識(shí)別特征,取得了如下成果。
　　 對(duì)奇異值分析的人臉識(shí)別方法進(jìn)行了改進(jìn),給出了一種包含平均臉奇異值分解的線性鑒別

2、人臉特征提取方法。首先選用練訓(xùn)樣本的均值圖像作為標(biāo)準(zhǔn)圖像,把訓(xùn)練樣本投影到標(biāo)準(zhǔn)圖像經(jīng)奇異值分解產(chǎn)生的基空間中,其次提取投影系數(shù)矩陣左上角信息作為初步特征,最后再采用LDA降維,提取最終的特征。該方法改善了奇異值分解用于人臉識(shí)別基空間不一致的缺陷,伺時(shí)又增加了特征的類別信息,也避免了LDA的小樣本問題。將該方法擴(kuò)展到非線性方式,給出了包含平均臉奇異值分解的核線性鑒別分析特征提取方法,進(jìn)一步提取人臉的非線性特征。實(shí)驗(yàn)證明,文中提出的方法在識(shí)

3、別率上,優(yōu)于現(xiàn)在有奇異值分解及其改進(jìn)人臉識(shí)別方法。
　　 對(duì)二維特征人臉識(shí)別方法進(jìn)行了研究,提出了橫向2DPCA縱向2DLDA的雙向壓縮投影的子空間人臉識(shí)別方法,該方法在進(jìn)行一次2DPCA運(yùn)算后,對(duì)特征矩陣進(jìn)行轉(zhuǎn)置,再進(jìn)行2DLDA運(yùn)算。與(2D)2PCA與(2D)2LDA相比,該方法充分利用了2DPCA和2DLDA的優(yōu)點(diǎn),既包含了樣本的類別信息,又消除了圖像矩陣行和列的相關(guān)性,有效地提取了行和列的識(shí)別信息,識(shí)別特征維數(shù)也大幅度

4、減少,在ORL和FERET人臉庫上實(shí)驗(yàn)表明了其有效性。文中對(duì)了分塊多投影和分塊雙向多投影二維特征提取方法進(jìn)行了研究。分塊多投影特征提取方法,針對(duì)現(xiàn)有分塊單投影特征提取方法中每一子圖均采用梧同投影矩陣,而對(duì)人臉局部信息不加以區(qū)別這一問題,構(gòu)造了分塊多投影矩陣,使不同的子圖對(duì)應(yīng)不同的投影矩陣,有效地利用了人臉局部信息,使識(shí)別率得到了提高,在ORL人臉庫上實(shí)驗(yàn)表明了其有效性。
　　 提出一種基于小波包和PCA變換相結(jié)合的特征級(jí)融合人臉

5、識(shí)別方法,首先對(duì)人臉圖像進(jìn)行小波包分解,對(duì)分解后的低頻子圖進(jìn)行PCA分解,得低頻主分量,然后選取含有豐富人臉特征的高頻子圖進(jìn)行加權(quán)融合,對(duì)融合后的高頻子圖再進(jìn)行PCA分解,得高頻主分量,最后對(duì)高低頻主分量進(jìn)行融合處理,得到最終的鑒別特征。分別在ORL和YaleA人臉庫上進(jìn)行試驗(yàn),實(shí)驗(yàn)結(jié)果表明該方法提高了識(shí)別率。
　　 針對(duì)保局投影人臉識(shí)別方法進(jìn)行了研究,提出了核判別保局投影算法,即KDLPP。該算法通過核技巧將人臉樣本映射到高維

6、空間,在高維空間中有效結(jié)合人臉局部的流形結(jié)構(gòu)和人臉的判別信息構(gòu)建了新的目標(biāo)函數(shù),其優(yōu)點(diǎn)是在保持人臉流形結(jié)構(gòu)的基礎(chǔ)上,充分利用了樣本的類別信息,并采用核方法提取了人臉的非線性特征。在ORL和UMIST人臉庫上的實(shí)驗(yàn)表明,該方法的識(shí)別率整體優(yōu)于LPP、DLPP和KLPP。
　　 針對(duì)二維保局投影只在圖像的橫方向進(jìn)行數(shù)據(jù)壓縮,提取的特征維數(shù)高的問題,首先給出了可選的二維保局投影(A2DLPP)方法,然后將二維保局投影和可選的二維保局投