特征提取方法研究及其在人臉識別中的應(yīng)用.pdf

1、人臉識別是一項(xiàng)極具發(fā)展?jié)摿Φ纳锾卣髯R別技術(shù)，在信息安全，公共安全，金融等領(lǐng)域具有廣闊的應(yīng)用前景。在人臉識別研究領(lǐng)域中，特征提取是解決該問題的一個(gè)關(guān)鍵技術(shù)。在過去幾十年中，學(xué)者們提出了許多相關(guān)的特征提取方法，如線性鑒別分析、主成分分析和保局投影等線性特征提取方法，以及在支持向量機(jī)的基礎(chǔ)上演變而來的基于核函數(shù)的非線性特征提取方法等等。因此，本論文以特征提取方法為研究目標(biāo)，以人臉識別為應(yīng)用背景，對線性特征提取方法和非線性特征提取方法進(jìn)行了深

2、入的研究，所提出的改進(jìn)方法不但提高了計(jì)算效率和識別性能，而且能夠有效地解決小樣本問題。具體的研究內(nèi)容包括：
　　 (1)不相關(guān)鑒別分析方法是一種有效的特征提取方法，但是將其應(yīng)用到人臉識別中將遇到所謂的小樣本問題，而且由于采用迭代求解方式，算法運(yùn)算速度緩慢?；趫D像矩陣模型的特征提取方法可有效地解決小樣本問題，故此提出了一種基于圖像矩陣模型的二維不相關(guān)鑒別矢量集方法，該方法由于采用了圖像矩陣模型，避免了小樣本問題，通過對類內(nèi)散布矩

3、陣的白化變換，可以非迭代的求得二維不相關(guān)鑒別矢量集，不但求解速度快且數(shù)值解穩(wěn)定；
　　 (2)對基于圖像向量模型的不相關(guān)鑒別分析方法進(jìn)行了深入的研究，以不相關(guān)空間方法為理論基礎(chǔ)，提出了一種改進(jìn)的不相關(guān)空間方法，其思想是將原始數(shù)據(jù)空間降到一個(gè)低維的子空間，從而避免了總體散布矩陣奇異；另外根據(jù)散布矩陣的對稱性，引入了一種快速的矩陣分解方法，進(jìn)一步提高了求解不相關(guān)鑒別矢量集的速度。該方法不但在理論上有效地解決了小樣本問題，同時(shí)具有較快

4、的計(jì)算速度；
　　 (3)基于核映射的方法是一種廣泛使用的非線性方法。已有的實(shí)驗(yàn)結(jié)果表明：基于核映射的特征提取方法可有效提高原線性方法的識別性能。正交鑒別保局投影、鑒別通用矢量集和不相關(guān)空間方法是三種具有較好識別性能的特征提取方法，但它們都是線性方法，故此針對三種線性方法進(jìn)行了研究，分別提出了其相應(yīng)的非線性方法，即核正交鑒別保局投影、核鑒別通用矢量集和核不相關(guān)空間方法。三種核特征提取方法通過巧妙的變換，使其在實(shí)現(xiàn)過程中轉(zhuǎn)化成樣本

5、的內(nèi)積形式，然后用核函數(shù)替換內(nèi)積計(jì)算即可完成非線性特征的提取，不但降低了算法的計(jì)算復(fù)雜性，同時(shí)也提高了原相應(yīng)線性特征提取方法的識別性能；
　　 (4)針對核特征提取方法解決高維小樣本問題存在的缺點(diǎn)，提出了一種基于壓縮變換的核特征提取優(yōu)化模型。該模型的求解思想是首先對高維的訓(xùn)練樣本根據(jù)Fisher準(zhǔn)則進(jìn)行降維處理，然后再將降維后的訓(xùn)練樣本按核特征提取方法進(jìn)行非線性特征提取。優(yōu)化后的方法在保證原方法的識別性能的同時(shí)，將有效地節(jié)省算法