基于子空间分析的人脸识别方法研究

摘要

人脸识别是生物特征识别中的一个重要研究领域，关于人脸识别的研究范围包括了人脸检测、预处理、特征提取、分类识别等多方面，其中特征提取是人脸识别的关键步骤之一，在诸多特征提取方法中，目前，基于子空间分析的人脸识别方法因其表征能力强等优点得到了广泛关注。
　　本文主要研究了基于子空间的人脸特征提取方法，同时，还考虑了最近邻分类器中距离度量的不同对人脸识别产生的影响，主要做了以下几个方面的工作：
　　（1）通过阅读国内外有关子空间分析的学术文献，深入分析了主成分分析（PCA）方法和线性鉴别分析（LDA）方法，总结了LDA方法的小样本问题的有关解决方法。
　　（2）深入研究了核鉴别分析（KFD）方法和完备核鉴别分析（CKFD）方法，针对LDA的小样本问题和CKFD的鉴别函数不统一，提出了改进的CKFD方法，该算法理论上等价于CKFD算法，但可将CKFD的两种鉴别函数统一起来，便于理论分析。
　　（3）针对一维方法的计算复杂度高等问题，研究了二维主成分分析（2DPCA）和二维线性鉴别分析（2DLDA）方法，提出了一种运用迭代2DLDA算法的分块加权人脸识别方法，该方法主要思想是首先将人脸图像分成三块：眉毛以上部分，鼻子以下部分，眉毛与鼻子之间部分；然后对每一分块采用迭代2DLDA算法进行特征提取。
　　（4）运用最近邻分类器的基本理论，针对一维方法和二维方法提取出的特征的不同，采用了不同的范数进行度量分类。
　　用MATLAB软件，对本文提出的方法在ORL人脸库上面进行了实验，并分析了实验结果，仿真实验结果表明了所提出方法的可行性和有效性。

目录

封面

声明

中文摘要

英文摘要

目录

第1章 绪论

1.1 人脸识别的背景

1.2 人脸识别的主要方法以及研究现状

1.3 论文的主要工作及章节安排

第2章 两种经典线性子空间分析方法

2.1 引言

2.2 主成分分析（PCA）方法

2.3 线性鉴别分析（LDA）方法

2.4 本章小结

第3章 核鉴别分析方法及其改进

3.1 引言

3.2 核鉴别分析（KFD）方法及其相关改进

3.3 最近邻分类

3.4 实验结果

3.5 本章小结

第4章 基于分块的加权迭代2DLDA方法

4.1 引言

4.2 基于二维图像矩阵的人脸特征提取方法

4.3 2DLDA的实质及其相关改进方法

4.4 一种新的分块加权迭代2DLDA算法

4.5 最近邻分类

4.6 实验结果

4.7 本章小结

第5章 结论与展望

5.1 本文的工作总结

5.2 工作展望

参考文献

致谢

附录A（攻读硕士学位期间发表的论文及奖励情况）