人臉識別中特征提取技術研究.pdf

1、人臉識別是模式識別、圖象處理和人工智能領域最具挑戰(zhàn)性的研究方向之一。廣義上，人臉識別包括三個主要技術環(huán)節(jié)，即預處理、人臉特征提取和分類器設計。人臉特征提取又稱為人臉表述，是在低維特征空間內對原高維空間的人臉模式進行描述、建模，目的是提取出有利于分類的低維特征。特征提取是人臉識別的關鍵環(huán)節(jié)，有效的人臉特征提取方法不僅有助于簡化后續(xù)的分類器設計，而且能夠提高識別率。但是由于人臉模式的復雜性和多變性，在視角、光照和表情等條件變化下人臉圖象的類

2、內離散度遠大于類間離散度，導致很難有效地提取分類特征。因此，人臉特征提取也是人臉識別的主要難點所在，注重魯棒性同時兼顧效率的人臉特征提取技術一直是研究的熱點。 本文主要針對人臉特征提取技術進行研究，研究的重點是基于整體的人臉表述方法，目的是進一步提高人臉特征提取和識別算法的魯棒性及有效性。為此，首先介紹了現有的人臉表述方法；隨后，結合人臉模式的特點，探討了幾種非監(jiān)督的人臉表述方法；最后，研究了基于判別分析的監(jiān)督方法在人臉表述中的

3、應用。 具體來說，本文的主要創(chuàng)新性成果有： (1)提出了結合人臉全局信息和局部(器官)信息的人臉組合特征提取方法，并研究了幾種相似性度量下組合特征的分類性能。該方法在DCT整體特征的基礎上，增強了臉部重要器官(眼和鼻)的信息，能夠有效地描述人臉模式。實驗結果表明，該方法優(yōu)于傳統(tǒng)的PCA和DCT方法，并且對分類度量相對不敏感。此外，相比于PCA方法，組合特征方法具有更好的計算性能。為了快速有效地定位臉部器官，提出了一種基于

4、幾何投影和模板匹配相結合的人臉特征點定位算法。該方法綜合了投影法和模板匹配法的優(yōu)點，既有較高的定位精度和計算速度，同時對光照、視角的變化有很好的魯棒性。 (2)提出了基于函數替代的非線性獨立元分析法(FR-ICA)。該方法通過定義非線性映射將樣本從輸入空間映射到低維空間，然后在此空間內進行ICA變換。在采用同樣核函數的情況下，該算法提取的特征與KICA算法提取的特征有著相近的分類性能，但本文方法可任意選用核函數，不需要其滿足Me

5、rcy條件。 (3)研究了基于局部灰度分析的人臉表述方法。在局域二值模式(LocalBinaryPattern，LBP)表述符基礎上，結合人臉圖象的特點，提出了一種基于多分辨率ILBP(improved-LBP，ILBP)直方圖的人臉表述方法。與常用的基于Gabor小波的方法相比，本文方法識別率相當且計算量較小。 (4)結合人臉模式的特點，系統(tǒng)地研究了基于判別分析的人臉特征提取方法。在此基礎上，提出了兩種改進的LDA算法

6、，即直接加權LDA(DW-LDA)和改進LDA(I-LDA)。DW-LDA的基本思想是使用不損失重要判別信息的方法來降維，同時在傳統(tǒng)的Fisher準則中引入加權函數得到與分類率直接相關的改進準則，能夠有效地處理小樣本問題及傳統(tǒng)的Fisher準則在多類情況下非最優(yōu)問題。I-LDA是DW-LDA的增強版本，主要是利用同時對角化技術來提高算法的泛化性能。提出了兩種基于核的判別分析算法，即基于QR分解的核判別分析(QR-KDA)和基于核的改進判