基于雙向二維子空間分析的人臉特征提取.pdf

1、由于在司法、金融、人機界面等方面的應用，人臉識別一直是模式識別領域的研究熱點。人臉識別的關鍵是鑒別特征的提取。為了提取有效的鑒別特征，研究者提出了許多方法。在眾多方法中，子空間分析方法因其計算簡單與有效成為了主流方法之一。本文以二維子空間分析為基礎，對人臉特征的提取展開了深入的研究，并初步探討了人臉特征的保護。論文的主要創(chuàng)新和貢獻體現(xiàn)在以下幾個方面：
　　1.現(xiàn)有的雙向二維特征提取方法的都是基于單一準則的，這樣提取的特征在某種目標

2、函數(shù)下是最優(yōu)的，但卻忽略了樣本其它方面的重要屬性。為了克服這種不足，提出了基于多準則的雙向二維子空間分析人臉特征提取方法(2D)2PCALDA和(2D)2LPPPCA。(2D)2PLDALDA在行、列方向上分別對人臉圖像進行2DPCA和2DLDA投影，最終得到的人臉特征不僅能夠很好地描述樣本，而且充分利用了樣本的類信息，使得同類樣本更聚集、不同類樣本更分離；通過在行、列方向采用2DPCA與2DLPP，(2D)2LPPPCA得到的人臉特征

3、不僅包含了來自2DPCA的樣本的全局信息，而且也包含了由2DLPP提取的樣本的局部信息。
　　2.LDA是最佳的二分類方法，在解決K(K＞2)分類問題時，F(xiàn)isher準則是通過1/2K(K-1)次二分類來實現(xiàn)，這樣容易導致間距較小類在投影后的重疊。為了克服這個問題，通過加權類間散度矩陣、在類內散度矩陣中嵌入樣本最近鄰圖提出了二維加權局部保持鑒別分析(2DWLPDA)特征提取方法。加權類間散度矩陣可使不同類間的距離在投影空間具有更合

4、理的分布，避免鄰近類之間的重疊；在類內散度矩陣中嵌入樣本近鄰圖，可在投影空間很好地保留樣本空間的幾何結構。實驗結果表明，2DWLPDA提取的人臉特征具有較好的鑒別性能，是一種有效的人臉特征提取方法。為了進一步減少保存樣本特征的存儲空間和降低算法復雜度，結合2DWLPDA和2DPCA，提出了(2D)2WLPDAPCA方法。
　　3.多散度差準則(MMSD)是LDA準則的一種變形，將Fisher準則的瑞利商變?yōu)闃颖镜念愰g散度與類內散度

5、的差，從而解決了LDA準則面臨的“小樣本問題”。但由于其是基于向量的方法，計算成本與存儲成本較高。為了降低計算成本與存儲成本，通過矩陣投影技術，提出了二維多散度差準則(2DMMSD)，進一步通過在行、列方向分別進行2DLPP與2DMMSD投影，提出了一種雙向二維人臉特征提取方法(2D)2MMSDLPP。(2D)2MMSDLPP提取的人臉特征既包含來自2DMMSD的全局鑒別信息、又包含來自2DLPP的局部結構信息。
　　4.同一區(qū)域

6、人臉像素灰度值具有很大的相關性，其差值不大，因此，簡單地通過比較當前像素灰度值與某個具體數(shù)值的大小對LBP進行編碼，必然導致冗余信息的增加。為了減少LBP的冗余，通過判斷當前像素灰度值是否在某個范圍內進行編碼，這樣改進后的LBP能夠很好地減輕冗余。將改進后的LBP方法應用到人臉檢測中，實驗結果表明提取的人臉特征具有更好的鑒別性。提出了局部三值微分模式(LTDP)算子，與局部微分模式(LDP)相比較，LTDP具有更豐富的編碼模式，其提取的

7、人臉特征也更具鑒別性。為了克服子空間方法對光照的敏感性，首先將人臉圖像用改進后的LBP和LTDP進行預處理，然后對得到的圖像紋理特征進行兩個方向上的二維子空間分析。實驗結果表明，采用這種兩階段方法得到的人臉特征具有較好的抗光照變化的能力。
　　5.結合隨機投影(RP)與雙向二維子空間分析，提出了一類可撤除的人臉特征提取方法。通過對人臉圖像行、列方向分別用隨機矩陣和二維子空間投影矩陣進行投影，得到的特征既具有很好的鑒別性、又具有較強