特征抽取方法研究及其在人臉識(shí)別中的應(yīng)用.pdf

1、特征抽取是模式識(shí)別領(lǐng)域中的一個(gè)重要研究方向，在人臉識(shí)別中，抽取有效的鑒別特征是解決問題的關(guān)鍵。本文對(duì)當(dāng)前一些主要的特征抽取方法進(jìn)行了較為深入的研究，并在此基礎(chǔ)上提出了幾種更加有效的特征抽取方法，在人臉識(shí)別方面得到了較成功的應(yīng)用。 獨(dú)立成分分析(ICA)方法是基于高階統(tǒng)計(jì)特性，和基于二階統(tǒng)計(jì)特性的主成分分析(PCA)方法相比，能提供更多的信息，但是它們都是最佳重構(gòu)原始數(shù)據(jù)的信息，而不是最佳的分類信息。而線性鑒別分析(LDA)方法由

2、于很好的利用了樣本的類別信息，能夠得到最佳的分類特征。另外，在傳統(tǒng)的線性鑒別分析方法中是將各個(gè)樣本同等對(duì)待，在人臉識(shí)別中，由于人臉受光照、姿態(tài)、表情等多種因素的影響，此時(shí)樣本的分布變得比較復(fù)雜。因此，對(duì)于此種情況缺乏有效的特征提取手段。本文利用模糊集理論，通過引入模糊隸屬度函數(shù)對(duì)傳統(tǒng)的LDA方法中的類內(nèi)散布矩陣和類間散布矩陣進(jìn)行重新的定義，并提出了一種新的基于ICA的模糊LDA的特征提取方法。在AR，ORL和NUST603三個(gè)標(biāo)準(zhǔn)人臉數(shù)

3、據(jù)庫(kù)上的實(shí)驗(yàn)結(jié)果驗(yàn)證了新方法的有效性。 在人臉識(shí)別中，F(xiàn)isher線性鑒別分析經(jīng)常會(huì)遇到高維小樣本問題，出現(xiàn)類內(nèi)散布矩陣奇異而無法直接進(jìn)行特征抽取的情況。雖然，采用類間散布矩陣和類內(nèi)散布矩陣的差作為鑒別準(zhǔn)則，可以避免奇異性問題，但是，這些方法都是基于向量的，在進(jìn)行計(jì)算時(shí)，容易導(dǎo)致“維數(shù)災(zāi)難”問題。本文將基于向量的散度差鑒別準(zhǔn)則進(jìn)行了推廣，提出了直接基于圖像矩陣的散度差特征抽取方法。該方法首先在圖像的行方向上進(jìn)行散度差鑒別分析，然

4、后在圖像列方向上進(jìn)行二維主成分分析，進(jìn)行特征抽取。在人臉數(shù)據(jù)庫(kù)上的實(shí)驗(yàn)證明了該方法的有效性。本文還對(duì)二維主成分分析方法的產(chǎn)生矩陣進(jìn)行了分析，并重新定義，在類間散布矩陣定義的基礎(chǔ)上引入了徑向基函數(shù)，通過調(diào)整徑向基函數(shù)的系數(shù)得到更有利于分類的特征信息，獲得較高的識(shí)別率，廣義主分量分析是改進(jìn)方法的一個(gè)特例。 Fisher極小線性鑒別準(zhǔn)則解決了標(biāo)準(zhǔn)Fisher鑒別準(zhǔn)則方法中類內(nèi)散布矩陣奇異的情況，并提取出圖象具有最大可分性的鑒別矢量。由

5、于獨(dú)立成分分析方法基于高階統(tǒng)計(jì)特性，和基于二階統(tǒng)計(jì)特性的主成分分析方法相比，能提供更多的信息，基于這個(gè)想法，我們提出了一種新的基于ICA和極小線性鑒別準(zhǔn)則的特征抽取方法?？紤]到人臉識(shí)別中樣本分布的復(fù)雜性，而核方法是解決非線性問題的一種有效方法，我們將Fisher極小線性鑒別推廣到了基于核的Fisher極小鑒別分析。在人臉數(shù)據(jù)庫(kù)上的識(shí)別結(jié)果驗(yàn)證了該算法的有效性。 非局部保持投影(Non-locality Preserving Pr