基于核方法的2DLDA人臉識別算法研究.pdf

1、人臉識別是模式識別研究的熱點課題。在目前的人臉特征提取算法中，基于Fisher準(zhǔn)則的線性判別分析(Linear Discriminant Analysis，LDA)算法是一種較成功的特征提取算法。它通過使類間散布矩陣(SB)與類內(nèi)散布矩陣(SW)的比值達(dá)到最大化來獲得最佳的投影方向特征空間。然而LDA處理高維的人臉數(shù)據(jù)時往往面臨著“小樣本問題”。
　　2維線性判別分析(Two-Dimensional Linear Discrimi

2、nant Analysis，2DLDA)算法是為解決標(biāo)準(zhǔn)LDA用于人臉特征提取時遇到的小樣本問題而提出的一種有效方法，其直接利用圖像矩陣構(gòu)造協(xié)方差矩陣，而不需要事先將圖像矩陣轉(zhuǎn)化為高維的圖像向量。針對2DLDA類間散布矩陣對于兩類或多類的類別均值和全局均值之間距離值相近時難以區(qū)分，本文提出了新型的2維線性判別分析(New Two-Dimensional Linear Discriminant Analysis，N2DLDA)算法。該算法

3、在充分分析原有類間散布矩陣?yán)碚摶A(chǔ)上，融入每兩類之間的散布矩陣，從而實現(xiàn)對原有類間散布矩陣進(jìn)行優(yōu)化，更加充分利用了圖像間的類別信息，有效地解決了兩類或多類的類別均值和全局均值之間距離值相近時難以區(qū)分的問題。實驗結(jié)果證明了本文所提新型2維線性判別分析(N2DLDA)方法相對于2DLDA、Fisherfaces等具有一定的優(yōu)勢。本文通過大量的實驗確定了引入的可調(diào)參數(shù)k對識別率的影響趨勢，通過該影響因子可以間接地調(diào)節(jié)識別率和識別時間的平衡。<

4、br>　　盡管基于N2DLDA的線性鑒別分析經(jīng)實驗驗證為人臉特征提取的有效方法，但是由于光照變化、人臉表情和姿勢變化，實際上的人臉圖像分布十分復(fù)雜，因此，抽取非線性鑒別特征顯得十分必要。受支持向量機(jī)有關(guān)核方法的啟發(fā)，本文把N2DLDA進(jìn)行了非線性推廣，提出了核新型的2維線性鑒別分析(Kernel New Two-Dimensional Linear Discriminant Analysis，K-N2DLDA)。該方法首先通過核映射將樣