基于子空間分析的臉識別算法研究.pdf

1、人臉識別是當前生物特征識別中的研究熱點,提取穩(wěn)定、可靠、區(qū)別于其它個體的特征是人臉識別的關(guān)鍵。其中基于子空間投影的特征提取方法,因其算法簡單、識別高效而備受人們的親睞。本文以人臉識別為目標,針對現(xiàn)有人臉圖像特征提取存在的幾個問題,以子空間分析方法為中心,多種特征提取手段相結(jié)合,采用特征提取的混合模型,得到更加可靠有效的識別特征,取得了如下成果。
　　 對奇異值分析的人臉識別方法進行了改進,給出了一種包含平均臉奇異值分解的線性鑒別

2、人臉特征提取方法。首先選用練訓樣本的均值圖像作為標準圖像,把訓練樣本投影到標準圖像經(jīng)奇異值分解產(chǎn)生的基空間中,其次提取投影系數(shù)矩陣左上角信息作為初步特征,最后再采用LDA降維,提取最終的特征。該方法改善了奇異值分解用于人臉識別基空間不一致的缺陷,伺時又增加了特征的類別信息,也避免了LDA的小樣本問題。將該方法擴展到非線性方式,給出了包含平均臉奇異值分解的核線性鑒別分析特征提取方法,進一步提取人臉的非線性特征。實驗證明,文中提出的方法在識

3、別率上,優(yōu)于現(xiàn)在有奇異值分解及其改進人臉識別方法。
　　 對二維特征人臉識別方法進行了研究,提出了橫向2DPCA縱向2DLDA的雙向壓縮投影的子空間人臉識別方法,該方法在進行一次2DPCA運算后,對特征矩陣進行轉(zhuǎn)置,再進行2DLDA運算。與(2D)2PCA與(2D)2LDA相比,該方法充分利用了2DPCA和2DLDA的優(yōu)點,既包含了樣本的類別信息,又消除了圖像矩陣行和列的相關(guān)性,有效地提取了行和列的識別信息,識別特征維數(shù)也大幅度

4、減少,在ORL和FERET人臉庫上實驗表明了其有效性。文中對了分塊多投影和分塊雙向多投影二維特征提取方法進行了研究。分塊多投影特征提取方法,針對現(xiàn)有分塊單投影特征提取方法中每一子圖均采用梧同投影矩陣,而對人臉局部信息不加以區(qū)別這一問題,構(gòu)造了分塊多投影矩陣,使不同的子圖對應(yīng)不同的投影矩陣,有效地利用了人臉局部信息,使識別率得到了提高,在ORL人臉庫上實驗表明了其有效性。
　　 提出一種基于小波包和PCA變換相結(jié)合的特征級融合人臉

5、識別方法,首先對人臉圖像進行小波包分解,對分解后的低頻子圖進行PCA分解,得低頻主分量,然后選取含有豐富人臉特征的高頻子圖進行加權(quán)融合,對融合后的高頻子圖再進行PCA分解,得高頻主分量,最后對高低頻主分量進行融合處理,得到最終的鑒別特征。分別在ORL和YaleA人臉庫上進行試驗,實驗結(jié)果表明該方法提高了識別率。
　　 針對保局投影人臉識別方法進行了研究,提出了核判別保局投影算法,即KDLPP。該算法通過核技巧將人臉樣本映射到高維

6、空間,在高維空間中有效結(jié)合人臉局部的流形結(jié)構(gòu)和人臉的判別信息構(gòu)建了新的目標函數(shù),其優(yōu)點是在保持人臉流形結(jié)構(gòu)的基礎(chǔ)上,充分利用了樣本的類別信息,并采用核方法提取了人臉的非線性特征。在ORL和UMIST人臉庫上的實驗表明,該方法的識別率整體優(yōu)于LPP、DLPP和KLPP。
　　 針對二維保局投影只在圖像的橫方向進行數(shù)據(jù)壓縮,提取的特征維數(shù)高的問題,首先給出了可選的二維保局投影(A2DLPP)方法,然后將二維保局投影和可選的二維保局投