基于进化特征选择的人脸识别算法研究

• 作 者: 李新
• 机 构: 中国科学技术大学
• 出 处: 中国科学技术大学
• 发表日期: 2007年期
• 关键词: 模式识别 机器视觉 人脸识别算法 特征提取 特征选择

人脸识别是模式识别和机器视觉领域最富挑战性的研究课题之一，也是近来的一个研究热点。在人脸识别中，人脸图像特征往往是高维向量，这不但使得算法计算开销(包括时间开销和空间开销)大，而且由于高维特征中可能带有冗余信息，甚至干扰信息，从而降低了算法识别性能。特征选择方法可以有效降低数据的维数，进而降低识别算法的计算开销。此外，通过选择那些使分类效果最好的特征子集，可以有效提高算法的识别准确率。因此研究特征选择方法对人脸识别具有重要的意义。
本文研究了人脸识别中的特征提取与特征选择问题，重点研究了基于进化特征选择的人脸识别方法。论文的主要工作和创新之处包括：
(1)研究并实验比较了人脸识别特征子空间方法中几种主要方法的性能，包括FisherFace方法、直接线性鉴别分析方法、零空间线性鉴别分析方法、共同鉴别矢量方法和全空间线性鉴别分析方法。
(2)研究并实验比较了遗传算法、分布估计算法中的单变量边缘分布算法和量子遗传算法求解0～1背包问题时的性能表现。
(3)提出了一种基于单变量边缘分布估计算法进化选择的全空间线性鉴别分析算法。在全空间线性鉴别分析算法基础上，充分利用类内离散度矩阵零空间和非零空间的有效鉴别信息，在类内离散度矩阵全空间中采用单变量边缘分布估计算法进化选择策略，搜索出一组最具有鉴别信息的空间矢量子集。在ORL和FERET标准人脸数据库上的实验结果表明，在最小距离分类器下，该方法性能优于其他线性鉴别分析算法。
(4)提出了一种基于量子遗传算法进化选择的核主成分分析算法。在核主成分特征矢量空间中，采用量子遗传算法进行最优特征子集搜索，同时对三种不同适应度定义情况下的算法性能进行比较。在ORL标准数据库上的实验结果表明，该方法优于传统的KPCA算法。