论文部分内容阅读
人脸识别是当前计算机模式识别领域中的一个非常活跃的研究课题,在法律、商业等领域具有广泛的应用前景。如何有效的从人脸图像中提取使之区别于其他个体的特征,是人脸识别研究的一个关键问题。在众多的特征提取技术中,子空间分析因其计算简单、有效等特性引起了人们的广泛注意,现已成为人脸图像特征提取和识别的主流方法之一。该文以人脸识别为目标,以基于子空间分析的人脸特征提取为重点进行了相关研究,并取得了如下创新性成果: 1、该文采用投影分析的方法对图像奇异值特征的有效性进行了分析,发现该特征实质上是通过对图像进行投影变化所得到的,而在提取奇异值特征时,对不同的图像采用了不同的投影变化,即选用了不同的基准,因此仅采用奇异值特征不足以进行有效的人脸识别。在此基础上,该文基于奇异值分解和投影的方法提取了一种新的称为投影系数主元特征的代数特征,并将其用于人脸识别。在标准的ORL 人脸库和Yale 人脸库上的实验结果表明,与传统的奇异值特征相比,所提取的这种新特征在较低的维数内包含了更多的有用信息,是一种稳定的、更为有效的代数特征。2、该文首次将基于Chernoff 准则的异方差线性鉴别分析(HCLDA)应用于人脸识别研究当中。由于HCLDA 能同时提取包含在类均值和类协方差之间的鉴别信息,因此理论上优于经典的基于Fisher 准则的线性鉴别分析。然而,在HCLDA方法中要求总体类内散布矩阵和各类的类内散布矩阵均可逆,而在人脸识别中这些散布矩阵往往是奇异的。该文首先根据样本的可分性,提出了一种新的称为最大广义Fisher 值的主元选择策略,并基于该策略采用主元分析的方法对原始的高维图像矢量进行降维,然后采用最大熵协方差估计策略对各类的类内散布矩阵进行估计,从而解决了总体类内散布矩阵和各类的类内散布矩阵不可逆这一问题。3、该文基于相关加权和统计不相关两种思想,提出了一种新的基于相关加权Fisher 准则的不相关鉴别分析(RWULDA)方法。该方法考虑了样本两两类别之间的可分性,能有效的抑止可分性较好的类别在求解最优鉴别向量过程中所产生的“欠适应”效应,在提高相邻类别之间的可分性的同时去除了提取的鉴别特征之间的统计相关性。在大型AR 人脸库和FERET 人脸库的子库上的实验结果验证了该方法的有效性。