線性特征提取方法及其在人臉識別中的應用.pdf

1、人臉識別是基于人的面部特征信息進行身份識別的一種生物識別技術。特征提取作為人臉識別的關鍵模塊，主要解決如何從人臉圖像數(shù)據(jù)中提取有效的面部特征信息問題。主成分分析和線性判別分析的提出具有里程碑式的意義，使人臉識別技術迎來春天，遺憾的是當時的人臉識別技術沒有得到商業(yè)化應用。如今人臉識別技術無疑是安防領域的一支潛力股，而其發(fā)展趨勢主要受限于特征提取方法的性能，因此提取出能夠反映人臉圖像數(shù)據(jù)內(nèi)在本質(zhì)性鑒別信息是識別任務的重點和難點。這也是本文探

2、討的核心內(nèi)容，具體工作如下：
　　首先，介紹了基于主成分分析和線性判別分析的特征提取方法的基本原理，并針對它們在人臉識別中存在的具體問題，介紹了一些有效的改進方法。結合人臉數(shù)據(jù)庫上的仿真實驗分析它們的優(yōu)勢與不足，為后續(xù)改進方法提供理論依據(jù)。
　　其次，針對非參數(shù)最大邊緣準則對邊界樣本比較敏感，使估計的散度矩陣存在誤差問題，提出了基于廣義瑞利熵的非參數(shù)特征提取方法。通過將樣本點與其同類最遠的k個樣本相互靠近，同時與其異類最近的

3、k個樣本相互遠離，降低邊界樣本對估計散度矩陣的影響。在類間散度矩陣的計算中引入權重因子，有利于削弱有限樣本條件下的散度矩陣的估計誤差。采用廣義瑞利熵準則迭代求解投影向量，有效解決散度矩陣的秩對投影向量個數(shù)的限制問題。在3個人臉庫上的仿真實驗結果進一步表明所提方法的有效性。
　　最后，為了增強基于Gabor特征識別方法的泛化能力，本文結合增強學習和多線性主成分分析，提出基于圖像Gabor特征的增強型特征提取方法。首先，采用MPCA對