小样本人脸图像特征抽取和识别方法研究

论文摘要

人脸识别中,通常可得到的样本数远小于人脸图像样本的维数,此问题称为人脸识别的小样本问题。小样本问题导致基于Fisher鉴别分析的人脸图像特征抽取存在病态问题,并且使用较少的样本难以获得推广性较好的识别性能。本文针对小样本条件下的人脸图像特征抽取和识别存在的困难,分别提出了几种解决方法,主要内容如下:1.提出了基于核主分量分析（KPCA）和最佳鉴别独立分量分析的人脸特征抽取方法,从三个方面对ICA方法进行了改进:首先,利用KPCA将人脸映射到特征空间得到核主分量,对核主分量进行ICA得到间接的非线性独立分量分析方法,降低了ICA对高维人脸图像样本的计算复杂度,并使算法更容易收敛;其次,定义Fisher鉴别信息作为选取最佳鉴别独立分量的准则;最后,提出了一种用最佳鉴别独立分量表示待识别样本的方法,克服了用直接投影所得待识别样本特征不准确的问题。实验结果显示此方法可获得优于Fisherface的识别性能。2.研究了典型相关分析（CCA）和Fisher线性鉴别分析（FLDA）的等价性,利用CCA求解最佳Fisher鉴别特征,避免了FLDA和KFDA由小样本导致的病态奇异问题。首先对此等价性给出一个简洁的证明,其次提出了三种基于CCA的人脸图像线性和非线性特征抽取方法:（1）首先利用PCA将样本降维到总散度阵的秩空间中,然后进行CCA,使在没有丢失任何鉴别信息的条件下得到线性Fisher最佳鉴别特征;（2）利用KPCA将高维人脸图像样本映射到特征空间得到核主分量,然后对核主分量进行CCA。由于KPCA+FLDA等价于KFDA,因此提出的KPCA+CCA方法可得到等价于KFDA的非线性最佳Fisher鉴别特征。（3）直接将CCA方法推广为可用于鉴别分析的KCCA方法,得到同样等价于KFDA的非线性最佳Fisher鉴别特征抽取方法。实验结果表明,提出的3种方法所得特征优于Fisherface和KPCA+LDA抽取的线性和非线性Fisher鉴别特征。3.提出了基于核鉴别共同矢量（KDCV）的非线性Fisher最佳鉴别特征抽取方法。利用特征空间中的正交化过程,将DCV推广为KDCV,将在特征空间的两次Gram-Schmidt正交化过程转化为只需计算两个核矩阵和一次Cholesky分解,得到了数值稳定性较好的Fisher非线性最佳鉴别特征抽取方法。实验结果表明KDCV方法得到的非线性鉴别特征有更好的类可分性。4.将最近特征分类器和核方法相结合,得到了基于核的最近特征线、特征面和特征子空间方法,可直接对高维人脸图像样本识别,而无需预先抽取人脸图像特征,使在总样本数较多,特征抽取在计算上难以实现的情况下也能直接识别。其中对核最近特征子空间提出了两种计算方法:一是核最近特征面的直接推广;二利用核主分量分析对每个类别求解非线性主分量矢量,用其构成表征该类别的非线性特征子空间。为解决所得核最近特征线和特征面方法计算量大和可能失效的问题,进一步提出了（核）最近特征重心和（核）最近邻特征方法,前者降低了计算特征线距离和特征面距离的计算复杂度,后者减少了所需计算特征线数和特征面的数目,两种方法均能解决特征线和特征面方法可能失效的问题。最后将两者结合得到的

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 人脸识别概述
• 1.2 小样本条件下的人脸图像特征抽取和识别方法研究概况
• 1.3 本文主要研究工作概述
• 1.4 本文内容安排
• 第2章 基于非线性最佳鉴别独立分量的人脸图像特征抽取和识别方法
• 2.1 主分量分析
• 2.2 核方法
• 2.3 核主分量分析
• 2.4 独立分量分析
• 2.5 基于KPCA 的非线性最佳鉴别独立分量分析
• 2.5.1 基于KPCA 的非线性独立分量分析
• 2.5.2 选择最佳鉴别独立分量
• 2.5.3 待识别人脸的最佳鉴别独立分量表示
• 2.6 基于小波变换的人脸图像预处理
• 2.7 实验结果和分析
• 2.8 小结
• 第3章 基于典型相关分析的人脸图像特征抽取和识别方法
• 3.1 FLDA 的小样本问题
• 3.2 典型相关分析
• 3.3 CCA 和FLDA 的等价性
• 3.4 基于PCA+CCA 的人脸特征抽取和识别方法
• 3.5 基于KPCA+CCA 的人脸特征抽取和识别方法
• 3.5.1 GDA 方法及其和 KPCA+LDA 的等价性
• 3.5.2 两种Fisher 准则函数及其关系
• 3.5.3 基于KPCA+CCA 的非线性Fisher 鉴别特征抽取方法
• 3.6 基于KERNEL CCA 的人脸特征抽取和识别方法
• 3.6.1 KCCA 方法的导出
• 3.6.2 中心化处理和非线性Fisher 鉴别特征抽取
• 3.7 实验结果及分析
• 3.8 小结
• 第4章 核鉴别共同矢量及人脸识别应用
• 4.1 基于鉴别共同矢量的人脸识别方法
• 4.1.1 鉴别共同矢量和 DCV 算法1
• 4.1.2 DCV 算法2
• 4.2 特征空间中的GRAM-SCHMIDT 正交化
• 4.3 核鉴别共同矢量
• 4.4 实验结果与分析
• 4.5 小结
• 第5章 基于核的最近特征分类器及人脸识别应用
• 5.1 基于核的最近特征线和最近特征面方法
• 5.1.1 基于核的最近特征线（KNFL）方法
• 5.1.2 基于核的最近特征面（KNFP）方法
• 5.2 基于核的最近特征子空间（KNFS）方法
• 5.2.1 KNFS 分类方法1
• 5.2.2 基于KPCA 的KNFS 分类方法2
• 5.3 （核）最近特征重心及最近邻特征分类器
• 5.3.1 （核）最近特征重心分类器
• 5.3.2 核最近邻特征分类器
• 5.4 （核）最近邻特征重心分类器
• 5.5 实验结果及分析
• 5.6 小结
• 第6章 矩阵空间中的最近特征分类器及人脸识别应用
• 6.1 矩阵空间中的最近特征子空间方法
• 6.1.1 基于奇异值分解构造人脸类别的特征子空间
• 6.1.2 识别性能分析
• 6.2 矩阵空间中的最近（邻）特征线方法
• 6.2.1 矩阵空间中的最近特征线方法
• 6.2.2 矩阵空间中的最近邻特征线方法
• 6.3 实验结果及分析
• 6.4 小结
• 总结与展望
• 参考文献
• 攻读博士学位期间发表和录用的学术论文
• 致谢