论文部分内容阅读
人脸检测和识别的研究目的是使计算机具有类似人类的脸像识别能力.它在身份鉴别、人机交互、图像检索和视觉监控等众多领域有着重要的应用.尽管近三十年里,人脸检测和识别受到了国内外学术界和企业界的广泛关注,但作为模式识别和计算机视觉领域中的一个研究热点和难点,人脸检测和识别仍有很多理论与技术问题需待解决.有鉴于此,该文围绕静态图像中的人脸检测和识别研究中存在的一些重要问题开展了深入研究,主要工作可以归纳如下:(1)完整地研究了基于扩展的Harr特征与Adaboost分类学习算法的实时在线检测技术,成功地实现了整个人脸检测系统.(2)针对小样本情况下LDA出现的问题,进行零空间(null space)的分析,提出零空间线性判别分析(NLDA)方法,实验证明NLDA是小样本情况下LDA最好的扩展.(3)结合零空间方法与核Fisher判别分析,提出新的非线性人脸识别方法:基于零空间的核Fisher判别分析(Null Space-based Kernel Fisher Discriminant Analysis or NKFDA).NKFDA方法用Cosine核函数来代替多项式核函数,基于最小的重构误差构造核映射和核样本集,在核样本集上执行简化了的NLDA算法,最后输出一个全局的非线性维数降低映射.NKFDA方法仅仅执行一次特征分解,实验证明在训练样本数量很多(大于300个)的情况下,提出的NKFDA在识别率上优于典型的LDA方法.(4)利用虚拟样本这一重要思想,提出了一个新的分类方法:最近类内空间(nearest intra-class space or NICS).每类的人脸模式分布由类内空间(intra-class space or ICS)表示和描述,它捕捉和覆盖各式各样的类内变化,所有的虚拟样本都在类内空间被创建;然后基于子空间方法定义了两个距离量度:子空间外距离(distance-from-subspace)和子空间内距离(distance-in-subspace),二者的加权就是测试样本到类内空间的距离量表,分类规则将基于最短的加权距离判定.(5)使用流形学习技术(manifold learning)建立虚拟的局部流形结构,以局部流形为单位提出新的分类方法:局部流形匹配(local manifold matching or LMM).LMM方法假设每个特征点和它的近邻存在于一个虚拟的线性局部流形中,使用局部流形学习技术于虚拟的流形结构,学习出所有的局部流形;然后定义测试样本到局部流形的距离量度,最匹配的局部流形将基于最短的流形距离量度判定,最后将测试样本分类到最匹配的局部流形.