论文部分内容阅读
本文设计并分析了几种图像识别新算法。特别地，我们的研究围绕着相似度与距离这两个紧密相连的概念。
论文的第一部分是设计基于相似度或距离的通用图像识别系统。传统的识别系统大都基于“特征”表示。但从图像中提取有意义并具有类别区分性的特征是一项非常困难的工作，需要大量的专门知识和丰富经验。而另一方面，定义图像间的相似度或距离却相对容易得多。因此以相似度或距离矩阵作为图像数据的表示并设计相应的识别系统是一项很有意义的工作。
基于相似度/距离的图像识别系统包含两个部分——图像距离的定义和识别算法。
在论文第二章我们提出“图像欧氏距离”。该距离的最大特点是既与人的主观判断较为相符，同时还能方便地嵌入大多数先进的识别算法中去。因而将图像相似性的先验知识与识别算法的学习能力有机地结合起来。图像欧氏距离克服了现有图像距离大都不能兼具上述两种性质的缺陷。
在论文第三章我们研究给定相似度/距离表示以后的识别算法。我们着重设计全新的识别算法使得它适用于任何图像相似度和距离，从而可以应用那些与直观判断高度相符但形式极为复杂的图像距离。我们给出两个算法，分别称作基于距离的Boosting(简称DB-AdaBoost)与基于相似度的Boosting(简称SB-AdaBoost)。实验结果表明，DB-AdaBoost不仅具有较高的识别正确率，而且在节约识别所需的存储空间和计算复杂性以及对距离的鲁棒性等方面有突出表现。SB-AdaBoost则是一个与SVM具有相同函数形式的Sparselargemarginkernelmachine。但是SB-AdaBoost没有核函数必须满足Mercer条件的限制，因而应用范围更加广泛。论文第二部分研究图像识别的一个具体而重要的应用——人脸识别。
人脸识别最大的困难之一在于由于光线、照相器材、姿势等变化，人脸图像的类内差异(同一个人的不同图像的差异)十分显著，甚至大于类间差异(不同人图像间的差异)。传统的Bayes人脸识别算法用类内变化子空间来表示类内差异，并假定所有人的类内变化规律是相似的。在论文第四章，我们引入子空间相似度与距离的概念对这一假设进行研究。通过实验发现不同人的类内变化子空间相差很大。我们进而利用子空间距离设计了自适应Bayes算法，它充分考虑了每个人类内变化规律的独特性。实验表明，只需很少量的自适应数据，该算法的识别正确率就优于传统Bayes以及Eigenface和Fisherface等经典算法。