基于子空间方法和多元回归分析的面部图像识别研究

摘要

人脸面部图像的分析和识别是当前模式识别和计算机视觉研究的热点,具有广泛的应用前景。子空间方法是当前统计模式识别的重要研究方向,已成为人脸图像识别研究的主要方法。本文针对人脸图像的识别问题,深入开展基于子空间方法和多元回归分析的人脸图像识别研究,包括人脸的身份识别、面部表情识别以及人脸身份和面部表情的同步识别等内容。本文的主要成果包括以下几个方面:
　　 (1)针对KPCA方法和KDA方法在特征提取方面的不同特点,提出了基于核主成份分析(KPCA)与核判别分析(KDA)的混合子空间人脸识别方法,该方法综合利用KDA.和KPCA在特征提取方面的各自优点来提高人脸识别的性能。此外,该研究还将传统的最近特征线分类器(NFL)从实数域空间推广到复数域空间,提出了广义最近特征线(GNFL)的分类方法,并应用于人脸的分类。
　　 (2)针对传统的线性双子空间方法难以有效提取样本的非线性特征问题,提出了基于核函数的双子空间方法及其快速求解算法。该方法针对现有的双子空间方法中存在的局限性,通过核映射机制将线性的双子空间方法进行非线性推广,提出了非线性双子空间判别分析(KDS-DA)方法。此外,还提出了基于镶边矩阵求逆的快速KDS-DA求解算法。
　　 (3)针对传统的表情识别方法未能考虑情绪的强度大小问题,提出了基于模糊K近邻与核典型相关分析(KCCA)的情感语义估计方法。该方法首先采用模糊K近邻方法为每幅表情图像建立一个与之相关联的类模糊隶属度矢量,用于表示表情图像与基本情绪类别的隶属关系,在此基础上应用KCCA方法建立表情特征矢量同语义特征矢量之间的关系模型,最后通过该模型实现对表情图像的类隶属度矢量的估计,并可用于对表情的分类。
　　 (4)针对传统的核判别分析方法中,每个样本数据唯一隶属于某一类样本集的局限性。受模糊线性判别分析方法的启发,提出了模糊核判别分析(FKDA)方法,作为对模糊线性判别分析方法的推广,并将该方法应用于面部表情识别和基因表达数据分析中。在表情识别应用研究中,还提出了运用典型相关分析技术进行表情特征融合的方法,并结合FKDA方法来进一步提高表情识别的准确性。
　　 (5)针对在基于CCA方法的表情识别中,表情特征矢量的维数高于语义特征矢量的维数而导致的小样本规模问题、以及由此而引起的特征冗余现象,提出了基于稀疏谱选择的CCA新方法,并将该方法应用于面部表情识别中。该方法首先将CCA的目标函数改写为谱特征分解形式,从而使得求解该优化问题可采用矩阵的低秩近似方法来完成。最后,通过在目标函数中引入L1惩罚项来实现数据矩阵的特征谱选择。
　　 (6)针对人脸身份和面部表情的同步识别问题,提出了基于偏最小二乘回归的人脸身份和表情同步识别方法。该方法首先提取每幅表情图像的Gabor特征、几何特征,以及相应的语义特征;然后,利用KPCA方法对脸部Gabor特征和几何特征进行融合;最后,运用偏最小二乘回归(PLSR)方法建立脸部特征和语义特征之间的关系模型,并运用此模型对某一测试人脸图像进行表情和身份的同步识别。
　　 此外,本文还分析了当前大多数人脸图像识别研究的特点以及存在的局限性,并对未来人脸面部图像识别的发展方向进行了展望。