基于子空间分析的特征抽取及人脸识别技术研究

摘要

人脸识别是近年来模式识别和图像处理领域的研究热点之一，对该问题的研究有助于模式识别和信息安全的发展。而特征抽取是模式识别研究的最基本问题之一，特征抽取方法对于图像识别起着关键的作用。在人脸识别领域，常用的人脸识别方法有主成分分析方法，线性鉴别分析方法等。其中，主成分分析和线性鉴别分析是最为常用的特征抽取方法，在人脸识别领域得到了较多的关注。最近，核技术的发展进一步促进了这两种传统的特征抽取方法的发展，出现了核主成分分析和核鉴别分分析这两种非线性的特征抽取方法，可以解决原始的样本在线性空间可能不可分的问题，基于核的特征提取方法也得到了迅速的发展。另外，经典的主成分分析和线性鉴别分析需要先将图像拉伸成一个高维向量，再进行特征抽取，需要较多的特征抽取时间，研究者提出了二维主成分分析和二维线性鉴别分析，使得特征抽取速度大大加快。由于它们都是基于子空间的算法，将之统称为子空间分析方法，本文基于上述几种特征抽取技术对人脸识别方法进行了研究。 本文提出了一种基于二阶特征脸和核主成分分析的人脸识别。首先利用二阶特征脸算法，得到二阶特征脸图像。然后运用核主成分分析分别抽取原始图像和它对应的二阶特征脸图像的核主成分特征，最后将它们组合成一个组合特征向量，进行人脸识别。由于抽取出的两种核主成分特征分别对应于人脸图像的高频和低频特性，具有一定的互补性，从而取得了比核主成分分析和二阶特征脸方法更好的识别结果。 本文在基于核的广义鉴别特征模型的基础上，提出了一种新的核广义特征抽取方法。利用空间变换的有关理论，使得变换后的核总体矩阵满足非奇异性；同时通过核的共轭特征抽取方法，抽取满足核共轭正交条件的特征向量，使抽取的特征满足统计不相关性。在ORL人脸库上的实验表明了所提方法的有效性，达到了比核鉴别分析等方法更好的识别效果。 本文在分析二维主成分分析和图像并行特征抽取的基础上，提出了一种基于图像并行融合特征的人脸识别方法。首先揭示了图像并行压缩特征的本质，然后运用图像并行特征抽取方法，抽取原始图像的两种图像并行特征，抽取的两种图像并行特征分别反映了原始图像的行向量信息和列向量信息；并将它们组合成一个复数特征向量，最后运用酉空间中线性鉴别分析的有关知识，抽取更加有利于分类的线性鉴别特征。在Yale标准人脸库上的实验结果表明，所提出的方法不仅在识别性能上优于传统的主成分分析方法，也优于直接的二维主成分分析和基于图像并行特征的方法。 本文在二维主成分分析和二维线性鉴别分析的基础上，构造了一种直接基于图像矩阵的特征抽取框架模型，该模型较好地融合了二维主成分分析和二维线性鉴别分析这两种经典的直接基于图像的特征抽取方法，为特征抽取提供了一个更一般的模型。理论分析表明，二维主成分分析和二维线性鉴别分析都是本文的图像特征抽取模型的一种特殊情形。最后，在AR人脸库上的实验结果表明，所提出的图像投影鉴别分析方法取得了更好的识别效果。 本文提出了一种基于协同学的人脸分类集成方法。选择不同的训练样本作为原型模型，以增加原型模型的多样性；识别时，将序参量转化为后验概率，分别运用投票法和基于和的后验概率集成方法进行识别，并提出了一种改进的基于和的后验概率集成方法，来提高集成的效果。另外，将核主成分分析和协同模式识别进行了结合，即在运用协同模式识别之前，采用核主成分分析获得原始图像的最优非线性表示，以提高模式的可分性，并消除图像冗余信息的影响，然后再进行协同人脸分类。在Yale人脸库上的实验结果表明所提方法的有效性，仅用3个训练样本就得到了较高的识别率。

目录

文摘

英文文摘

第一章 绪论

第二章 一种基于二阶特征脸和核主成分分析的人脸识别方法

第三章 一种新的核广义鉴别特征抽取方法

第四章 基于图像矩阵的特征抽取方法研究

第五章 基于协同学的人脸分类集成

第六章 结束语

参考文献

致谢

附录硕士期间完成的论文情况