基于子空間分析的人臉特征提取及識別研究.pdf

1、人臉識別是當(dāng)前計算機(jī)模式識別領(lǐng)域中的一個非?；钴S的研究課題，在法律、商業(yè)等領(lǐng)域具有廣泛的應(yīng)用前景。如何有效的從人臉圖像中提取使之區(qū)別于其他個體的特征，是人臉識別研究的一個關(guān)鍵問題。在眾多的特征提取技術(shù)中，子空間分析因其計算簡單、有效等特性引起了人們的廣泛注意，現(xiàn)已成為人臉圖像特征提取和識別的主流方法之一。該文以人臉識別為目標(biāo)，以基于子空間分析的人臉特征提取為重點(diǎn)進(jìn)行了相關(guān)研究，并取得了如下創(chuàng)新性成果： 1、該文采用投影分析的方法

2、對圖像奇異值特征的有效性進(jìn)行了分析，發(fā)現(xiàn)該特征實質(zhì)上是通過對圖像進(jìn)行投影變化所得到的，而在提取奇異值特征時，對不同的圖像采用了不同的投影變化，即選用了不同的基準(zhǔn)，因此僅采用奇異值特征不足以進(jìn)行有效的人臉識別。在此基礎(chǔ)上，該文基于奇異值分解和投影的方法提取了一種新的稱為投影系數(shù)主元特征的代數(shù)特征，并將其用于人臉識別。在標(biāo)準(zhǔn)的ORL人臉庫和Yale人臉庫上的實驗結(jié)果表明，與傳統(tǒng)的奇異值特征相比，所提取的這種新特征在較低的維數(shù)內(nèi)包含了更多的有

3、用信息，是一種穩(wěn)定的、更為有效的代數(shù)特征。 2、該文首次將基于Chernoff準(zhǔn)則的異方差線性鑒別分析(HCLDA)應(yīng)用于人臉識別研究當(dāng)中。由于HCLDA能同時提取包含在類均值和類協(xié)方差之間的鑒別信息，因此理論上優(yōu)于經(jīng)典的基于Fisher準(zhǔn)則的線性鑒別分析。然而，在HCLDA方法中要求總體類內(nèi)散布矩陣和各類的類內(nèi)散布矩陣均可逆，而在人臉識別中這些散布矩陣往往是奇異的。該文首先根據(jù)樣本的可分性，提出了一種新的稱為最大廣義Fishe

4、r值的主元選擇策略，并基于該策略采用主元分析的方法對原始的高維圖像矢量進(jìn)行降維，然后采用最大熵協(xié)方差估計策略對各類的類內(nèi)散布矩陣進(jìn)行估計，從而解決了總體類內(nèi)散布矩陣和各類的類內(nèi)散布矩陣不可逆這一問題。 3、該文基于相關(guān)加權(quán)和統(tǒng)計不相關(guān)兩種思想，提出了一種新的基于相關(guān)加權(quán)Fisher準(zhǔn)則的不相關(guān)鑒別分析(RWULDA)方法。該方法考慮了樣本兩兩類別之間的可分性，能有效的抑止可分性較好的類別在求解最優(yōu)鑒別向量過程中所產(chǎn)生的“欠適應(yīng)”

5、效應(yīng)，在提高相鄰類別之間的可分性的同時去除了提取的鑒別特征之間的統(tǒng)計相關(guān)性。在大型AR人臉庫和FERET人臉庫的子庫上的實驗結(jié)果驗證了該方法的有效性。 4、該文對EFM、DLDA以及NLDA這三種以解決小樣本問題為目的的線性鑒別方法進(jìn)行了深入的理論分析，證明了采用這三種方法所提取的特征的統(tǒng)計不相關(guān)性；進(jìn)一步分析了這三種方法所采用的子空間的合理性，從而解釋了NLDA方法優(yōu)于其他兩種方法的原因。在此基礎(chǔ)上提出了一種加權(quán)不相關(guān)零空間線

6、性鑒別分析(WUNLDA)的方法，該方法首先基于“在高維空間中類間距離較小的類別之間應(yīng)賦予較高的權(quán)重”這一原則，給出了一種新的權(quán)函數(shù)，進(jìn)而導(dǎo)出了一種新的判別準(zhǔn)則及其相應(yīng)的約束條件，最后采用拉格朗日乘子法求解其最優(yōu)鑒別向量，并給出了求解定理。在AR人臉庫和FERET人臉庫的子庫上的實驗結(jié)果驗證了所提出的方法的有效性和優(yōu)越性。 5、核函數(shù)雖然是數(shù)學(xué)中一個早已存在的概念，但基于核的子空間分析方法卻在最近幾年才得到人們的廣泛關(guān)注。該文對