人臉識別中鑒別特征抽取若干方法研究.pdf

1、特征抽取是模式識別中最基本的問題之一，在人臉識別中，抽取有效的鑒別特征是解決問題的關(guān)鍵，線性投影分析（包括主分量分析（或稱K-L變換）和Fisher線性鑒別分析）與基于核技術(shù)的非線性投影分析是特征抽取中最為經(jīng)典和廣泛使用的方法。該文就有關(guān)線性投影分析與基于核技術(shù)的非線性投影分析的理論與算法進(jìn)行了深入的研究，所提出的算法在人臉識別方面得到了較成功的應(yīng)用。 高維小樣本情況下如何有效地求得理想的Fisher鑒別矢量是非常困難且急待解決

2、的問題。該文基于廣義的Fisher線性判別準(zhǔn)則，將投影變換、同構(gòu)變換和壓縮變換相結(jié)合，解決了這個(gè)問題，完善了小樣本情況下線性鑒別分析理論。給出了PPCA+FDA有效實(shí)用算法。利用這個(gè)算法，基于廣義的Fisher鑒別準(zhǔn)則最優(yōu)鑒別向量的計(jì)算只需要在低維空間里進(jìn)行，減少了計(jì)算量，提高了求解的效率。在ORL人臉庫三種分辨率灰度圖像上實(shí)驗(yàn)表明，PPCA+FDA算法抽取的鑒別向量有較強(qiáng)的特征抽取能力。 該文秉承主成分分析的思想，從原始數(shù)字圖

3、像出發(fā)，在模式識別之前，先對圖像進(jìn)行分塊，對分塊得到的子圖像矩陣使用主成分分析進(jìn)行鑒別分析－這種特征抽取方法稱為分塊主成分分析或單元主成分分析。理論上來說，分塊主成分分析是主成分分析的推廣?；诜謮K主成分分析，進(jìn)一步提出了M2PCA+FDA特征抽取方法。M2PCA+FDA大體可分為兩個(gè)步驟：首先將分塊PCA用于原始圖像以便獲得與原始圖像對應(yīng)的低維的模式，然后對低維的模式施行fisherfaces方法實(shí)現(xiàn)模式分類．在Yale和NUST60

4、3兩個(gè)人臉庫上與ORL和NUST603兩個(gè)人臉庫上分別檢驗(yàn)了兩種方法的識別性能，實(shí)驗(yàn)結(jié)果表明兩種方法抽取的鑒別特征有較強(qiáng)的鑒別能力。 該文對二維主成分分析進(jìn)行了推廣，提出了分塊二維主成分分析（Modular two dimensional principal component analysis，M2DPCA），或簡稱為分塊2DPCA，并將其應(yīng)用于人臉識別．分塊2DPCA的基本思想與已有的諸如FDA、PCA、Modular PC

5、A鑒別方法不同，在鑒別特征提取過程中不需要事先將圖像矩陣（或子圖像矩陣）轉(zhuǎn)化為圖像向量。其基本步驟是先對圖像矩陣進(jìn)行分塊，然后對分塊得到的子圖像矩陣施行2DPCA．在ORL和NUST603兩個(gè)人臉庫上的實(shí)驗(yàn)表明，與基于圖像向量的鑒別方法（比如PCA）相比，該方法不僅有較高的識別性能，而且能夠大幅度地提高特征抽取的速度。其次，由于直接基于2維子圖像矩陣，在特征提取過程中可以避免使用矩陣的奇異值分解，過程簡便；在ORL人臉庫上的試驗(yàn)結(jié)果表明

6、，在識別性能方面，分塊2DPCA優(yōu)于2DPCA．基于分塊2DPCA，本文還提出了分塊2DPCA+Fisherfaces鑒別分析方法．在NUST603人臉庫實(shí)驗(yàn)，該方法可以達(dá)到99.2％的識別率，這個(gè)結(jié)果與M2PCA+FDA方法達(dá)到的最高識別率相同，但鑒別特征抽取時(shí)間只是后者的三分之一。 實(shí)際問題中原始樣本的分布通常是高度復(fù)雜和非線性的，利用傳統(tǒng)的線性鑒別方法（如FDA和PCA）來解決分類問題，一般不能取得令人滿意的結(jié)果。受支持向

7、量機(jī)（Support Vector Machine，SVM）理論中有關(guān)核技術(shù)的啟發(fā)，該文提出了一種非線性特征抽取方法—基于核的正交補(bǔ)空間法。核技術(shù)的基本思想是通過適當(dāng)?shù)姆蔷€性映射將非線性可分的原始樣本變換到某一線性可分的高維特征空間，而這種非線性映射是通過定義適當(dāng)?shù)膬?nèi)積函數(shù)實(shí)現(xiàn)的?；诤说恼谎a(bǔ)空間法先在原始樣本里利用核技術(shù)，在變換后的特征空間里，借鑒文獻(xiàn)［41］的正交補(bǔ)空間思想抽取用于鑒別分析的特征。該方法綜合了核技術(shù)和FSDA的優(yōu)點(diǎn)