特征抽取方法研究及其在人脸识别中的应用

论文摘要

特征抽取是模式识别领域中的一个重要研究方向,在人脸识别中,抽取有效的鉴别特征是解决问题的关键。本文对当前一些主要的特征抽取方法进行了较为深入的研究,并在此基础上提出了几种更加有效的特征抽取方法,在人脸识别方面得到了较成功的应用。独立成分分析（ICA）方法是基于高阶统计特性,和基于二阶统计特性的主成分分析（PCA）方法相比,能提供更多的信息,但是它们都是最佳重构原始数据的信息,而不是最佳的分类信息。而线性鉴别分析（LDA）方法由于很好的利用了样本的类别信息,能够得到最佳的分类特征。另外,在传统的线性鉴别分析方法中是将各个样本同等对待,在人脸识别中,由于人脸受光照、姿态、表情等多种因素的影响,此时样本的分布变得比较复杂。因此,对于此种情况缺乏有效的特征提取手段。本文利用模糊集理论,通过引入模糊隶属度函数对传统的LDA方法中的类内散布矩阵和类间散布矩阵进行重新的定义,并提出了一种新的基于ICA的模糊LDA的特征提取方法。在AR,ORL和NUST603三个标准人脸数据库上的实验结果验证了新方法的有效性。在人脸识别中,Fisher线性鉴别分析经常会遇到高维小样本问题,出现类内散布矩阵奇异而无法直接进行特征抽取的情况。虽然,采用类间散布矩阵和类内散布矩阵的差作为鉴别准则,可以避免奇异性问题,但是,这些方法都是基于向量的,在进行计算时,容易导致“维数灾难”问题。本文将基于向量的散度差鉴别准则进行了推广,提出了直接基于图像矩阵的散度差特征抽取方法。该方法首先在图像的行方向上进行散度差鉴别分析,然后在图像列方向上进行二维主成分分析,进行特征抽取。在人脸数据库上的实验证明了该方法的有效性。本文还对二维主成分分析方法的产生矩阵进行了分析,并重新定义,在类间散布矩阵定义的基础上引入了径向基函数,通过调整径向基函数的系数得到更有利于分类的特征信息,获得较高的识别率,广义主分量分析是改进方法的一个特例。Fisher极小线性鉴别准则解决了标准Fisher鉴别准则方法中类内散布矩阵奇异的情况,并提取出图象具有最大可分性的鉴别矢量。由于独立成分分析方法基于高阶统计特性,和基于二阶统计特性的主成分分析方法相比,能提供更多的信息,基于这个想法,我们提出了一种新的基于ICA和极小线性鉴别准则的特征抽取方法。考虑到人脸识别中样本分布的复杂性,而核方法是解决非线性问题的一种有效方法,我们将Fisher极小线性鉴别推广到了基于核的Fisher极小鉴别分析。在人脸数据库上的识别结果验证了该算法的有效性。非局部保持投影（Non-locality Preserving Projection,NLPP）是一种线性流形学习算法。本文分析了局部保持投影（LPP）和非局部保持投影（NLPP）的理论基础,并将其推广到核空间,提出基于核的非局部保持投影的特征抽取分析方法。在Yale和ORL人脸数据库上的实验验证了新方法是有效的。

论文目录

• 摘要
• Abstract
• 目录
• 第一章 绪论
• 1.1 生物特征识别概述
• 1.2 人脸识别概述
• 1.3 人脸识别中的特征抽取
• 1.3.1 人脸检测
• 1.3.2 人脸特征抽取方法
• 1.3.2.1 线性特征抽取方法
• 1.3.2.2 非线性特征抽取方法
• 1.4 本文研究内容
• 1.5 本文内容安排
• 第二章 基于独立成分分析的模糊线性鉴别分析的特征抽取方法
• 2.1 引言
• 2.2 独立成分分析（ICA）方法介绍
• 2.2.1 ICA方法定义
• 2.2.2 独立性定义
• 2.2.3 ICA的目标函数
• 2.2.3.1 非高斯性最大化
• 2.2.3.2 互信息最小化
• 2.2.3.3 最大似然函数估计
• 2.2.4 快速的独立成分分析（FastICA）算法
• 2.2.4.1 FastICA预处理
• 2.2.4.2 FastICA算法原理
• 2.2.4.3 FastICA算法实现
• 2.3 线性鉴别分析（LDA）方法介绍
• 2.4 模糊k近邻方法
• 2.5 ICA+模糊LDA方法
• 2.6 实验结果及分析
• 2.6.1 在AR人脸库上的实验
• 2.6.2 在ORL和NUST603人脸库上的实验
• 2.7 本章小节
• 第三章 基于二维图像矩阵的特征抽取方法的研究
• 3.1 引言
• 3.2 最大散度差鉴别分析
• 3.3 基于鉴别和描述信息的二维散度差特征抽取
• 3.3.1 基本思想和理论分析
• 3.3.2 特征抽取和分类
• 3.4 实验结果及分析
• 3.4.1 在FERET子集上的实验
• 3.4.1.1 投影轴的选取
• 3.4.1.2 性能比较
• 3.4.2 在ORL人脸库上的实验
• 3.5 改进的广义主分量分析
• 3.5.1 广义主分量分析
• 3.5.2 改进方法的思想
• 3.5.3 实验结果及分析
• 3.5.3.1 在FERET人脸库的实验
• 3.5.3.2 在Yale和ORL人脸库上的实验
• 3.5.3.3 在Yale库和ORL库上的时间比较
• 3.6 本章小结
• 第四章 基于极小鉴别准则理论的特征抽取方法研究
• 4.1 引言
• 4.2 Fisher极小准则理论
• 4.3 基于ICA的LDA极小鉴别准则的特征抽取方法
• 4.3.1 算法描述
• 4.3.2 实验结果及分析
• 4.4 基于核的极小鉴别准则特征抽取方法
• 4.4.1 核主成分分析
• 4.4.1.1 主成分分析（PCA）
• 4.4.1.2 核方法
• 4.4.1.3 核主成分分析（KPCA）
• 4.4.2 基于核的Fisher极小鉴别准则
• 4.4.2.1 算法描述
• 4.4.2.2 实验结果及分析
• 4.5 本章小节
• 第五章 基于核的非局部保持投影特征抽取方法
• 5.1 引言
• 5.2 非线性流形学习方法
• 5.2.1 等距映射（ISOMAP）
• 5.2.2 局部线性嵌入（LLE）
• 5.2.3 拉普拉斯特征映射（Laplacian Eigenmap）
• 5.3 LPP和NLPP介绍
• 5.3.1 局部保持投影（LPP）
• 5.3.2 非局部保持投影（NLPP）
• 5.4 基于核的非局部保持投影（KNLPP）方法
• 5.5 实验结果及分析
• 5.5.1 在Yale人脸库上的实验
• 5.5.2 在ORL人脸库上的实验
• 5.6 本章小结
• 结束语
• 致谢
• 参考文献
• 附录