鑒別特征抽取方法及其在人臉識別中的應用研究.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鍵。過去幾十年中，在特征抽取的研究領域，有很多學者提出了相關的算法，如基于線性特征抽取方法的線性鑒別分析，主成分分析和獨立成分分析方法等，以及在支持向量機的基礎上演變而來的基于核技巧的特征抽取方法等。本文對線性特征抽取方法和非線性的特征抽取方法做了更深入的研究，所提出的算法在人臉識別方面得到了較成功的應用。 F-S鑒別分析方法(Foley-Sam

2、mon Discriminant Analysis，F(xiàn)SD)是有效的特征抽取方法之一，但是該方法計算耗時，同時該方法沒有考慮類內散度矩陣存在零空間的情況。該文提出了一種完整的基于Schur分解的Fisher鑒別分析方法，該方法利用Schur分解定理，簡便的求出了同時滿足正交條件和Fisher準則的最優(yōu)鑒別矢量，同時引入了零空間的信息，在人臉數(shù)據(jù)庫上的實驗結果表明了該方法的有效性。 該文基于最大散度差準則(MSDC)，利用統(tǒng)計不相

3、關投影空間，提出了一種具有統(tǒng)計不相關性的最大散度差特征抽取方法。該方法的目標是尋求一組鑒別矢量集既要使投影后的特征空間的類間散度最大，而類內散度最?。挥忠棺顑?yōu)鑒別矢量之間具有統(tǒng)計不相關性。另外，還揭示了最大散度差鑒別準則與Fisher準則的內在關系。所提出的方法不但解決了傳統(tǒng)小樣本問題而且又使所求得鑒別矢量之間統(tǒng)計不相關。在ORL與NUST603人臉庫上的實驗結果表明本文所提出的方法在識別性能上優(yōu)于原MSDC特征抽取方法與傳統(tǒng)的PCA

4、方法。 二維線性鑒別分析方法(2DLDA)是一種有效的特征抽取方法，但是該方法僅反映圖像行之間的變化，遺漏了圖像列之間的變化，而圖像列之間的變化也是人臉識別中有用的信息。在這種情況下，影響了2DLDA的人臉識別率。針對這一問題，該文提出了對角線性鑒別分析(Diagonal Linear Dicriminant Analysis，DiaLDA)的新方法。該方法基于對角人臉圖像，求解最優(yōu)鑒別向量。在ORL和FERET人臉庫進行了實驗

5、，并與PCA、Fisherface、2DLDA等方法進行了比較。實驗結果表明該方法比這些方法的識別性能要好。 實際問題中原始樣本的分布通常是高度復雜和非線性的，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果。受支持向量機(support Vector Machine，SVM)理論中有關核技術的啟發(fā)，該文提出了一種改進的核特征抽取方法。核技術的基本思想是通過適當?shù)姆蔷€性映射將非線性可分的原始樣

6、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?shù)膬确e函數(shù)實現(xiàn)的。該方法先在原始樣本里利用核技術，然后在變換后的特征空間里，應用Fisher極小鑒別準則抽取用于鑒別分析的特征。但是當采用此準則時，則會出現(xiàn)一種新的小樣本的問題，即核類間散度矩陣會發(fā)生奇異問題。因此該方法先將核類間散度矩陣投影到它的非零空間。最后在此非零空間求取最優(yōu)鑒別矢量進行人臉識別。該方法綜合了核技術和Fisher極小鑒別準則的優(yōu)點，利用它來抽取原始樣

7、本特征，能夠使得高度復雜和非線性的原始樣本線性化和簡單化，同時該方法能夠抽取到核類內散度矩陣的零空間和非零空間的鑒別信息。在ORL和NUST603兩個標準人臉庫上的實驗結果驗證了該算法的有效性。最近，許多流形學習算法被提出并且成功的應用于人臉識別當中。這些流形學習方法能夠保持人臉圖像數(shù)據(jù)的局部結構，同時，還可以發(fā)現(xiàn)人臉的非線性結構。在這些流形學習方法中，局部保持投影方法(LPP，Locality Preserve Projections

8、)是最有效的方法之一。在本文中，基于LPP方法并利用Schur分解，提出了一種正交鑒別局部保持投影方法，為了表示方便，我們簡寫為ODLPPS。與LPP方法相比，ODLPPS把類間散度與類內散度之差的鑒別信息融入到LPP的目標函數(shù)中并且獲得了正交的基向量。在ORL、Yale和FERET人臉數(shù)據(jù)庫上的實驗結果表明所提出的方法在識別性能上優(yōu)于一些已經(jīng)存在的方法，如eigenface，F(xiàn)isherface，LPP和Orthogonal LPP(