基于廣義奇異值分解的鑒別分析在人臉識別中的應(yīng)用研究.pdf

1、人臉識別是生物特征識別中的重要方向，其具有自然、友好、無侵犯性等諸多優(yōu)點，并且人臉數(shù)據(jù)的采集十分方便，因此人臉識別目前已成為生物特征識別領(lǐng)域里研究的熱點。本文針對人臉識別中的基于廣義奇異值分解的鑒別分析方法進行了研究，提出了若干改進的算法。主要包括以下幾個方面的內(nèi)容：
　?。?）介紹了人臉識別技術(shù)的應(yīng)用背景、研究目的和意義，以及人臉識別技術(shù)研究方法的發(fā)展現(xiàn)狀、分類器和距離度量的內(nèi)容；
　?。?）闡述了鑒別分析技術(shù)的發(fā)展現(xiàn)狀以

2、及基于廣義奇異值分解的線性鑒別分析（LDA/GSVD）和非線性鑒別分析(KDA/GSVD)的理論基礎(chǔ)和算法，將組合核思想應(yīng)用到KDA/GSVD中，取得了優(yōu)于單一核函數(shù)的分類效果。
　　（3）提出了加權(quán)調(diào)整的基于廣義奇異值分解的線性鑒別分析方法(WLDA/GSVD)，通過定義加權(quán)類間散布矩陣，使各類樣本中心在分類空間中達到均衡分布，調(diào)整了傳統(tǒng)的投影軸錯分密集類別的局限性。并在ORL人臉庫上針對LDA/GSVD方法做了對比實驗，從最后

3、實驗結(jié)果不難看出本文提出的加權(quán)調(diào)整的廣義奇異值分解線性鑒別分析有更好的識別效果。
　?。?）傳統(tǒng)的LDA方法是把圖像矩陣轉(zhuǎn)化為一維的數(shù)據(jù)向量，進而計算類間散布矩陣和類內(nèi)散布矩陣，一般圖像矩陣轉(zhuǎn)化為向量后都會具有較高的數(shù)據(jù)維數(shù)，相對而言訓(xùn)練樣本數(shù)又過少，這時就給準(zhǔn)確計算散布矩陣帶來了困難，同時，這時的類內(nèi)散布矩陣往往都變得奇異，傳統(tǒng)線性鑒別分析方法的這些弊端，使其應(yīng)用遇到了很大的挑戰(zhàn)，因此提出了基于圖像的廣義奇異值分解線性鑒別分析（