论文部分内容阅读
特征提取是模式识别领域中的一个关键问题。能否抽取人脸图像有效的鉴别特征又是特征抽取的重要研究内容。本文就基于分块的代数特征抽取理论和方法进行了较为深入地分析和研究,主要工作包括:(1)提出了融合分块PCA与最大散度差鉴别分析的人脸识别方法。该方法首先对原始的人脸图像进行分块,然后对分块得到的子图像采用PCA方法进行特征抽取,从而把原始模式从高维空间映射到较低维空间。接下来再对新模式采用最大散度差鉴别分析,这样就避免了对新模式的类内散布矩阵非奇异以及求逆的要求,同时该算法在运算速度方面也有了很大的提高。在ORL人脸库和Yale人脸库上分别检验了分块PCA与最大散度差鉴别分析融合的人脸识别方法的识别性能,实验结果表明该方法抽取的鉴别特征有较强的鉴别能力。(2)设计了一种基于分块局部二元模式(LBP)的鉴别特征抽取方法。该方法首先对人脸图像进行分块,然后对分块得到的子图像矩阵采用LBP算子抽取对应的LBP特征。由于LBP是利用一串二进制码来表征较小图像块的局部纹理,有助于提高人脸识别的性能。然后对由所有分块后的子图像的LBP特征向量构成的新训练集采用PCA方法进行维度缩减,最后采用Fisher线性判别分析(LDA)对缩减后的PCA特征进行鉴别特征提取。在ORL人脸库和YALE人脸库上的实验结果表明该方法优于直接基于原始图像像素的PCA和LDA方法。(3)提出了分块局部主分量分析(即BLPCA)方法并用于人脸识别。该方法从原始训练图像出发,先对样本图像进行分块,对分块得到的子图像采用局部主分量分析(LPCA)进行特征抽取。LPCA是一种线性无监督的子空间学习方法,该方法通过对样本点的局部信息描述来抽取局部特征。本文所提出的分块局部主分量分析(BLPCA)通过将分块PCA的思想与LPCA方法结合,可以有效地抽取图像的局部特征,从而有利于分类。在ORL和YALE人脸库上的实验结果表明,本文提出的方法在识别性能上优于LPCA方法。