用于人脸识别的产生式模型和判别式模型中若干问题的研究

【摘要】： 基于图像的自动人脸识别技术是模式识别和机器学习等领域的热点问题，在实际中也有着广泛的应用前景。本文主要研究了统计学习中的两种主要方法——产生式模型和判别式模型——应用在人脸识别中的若干问题。 对于一般的分类问题，产生式模型着力对各类数据的内在分布进行建模，而判别式模型着力对各类间的分界面进行建模。针对现有模型在人脸识别应用中的问题，我们对以下几个方面进行了研究： 1)对于产生式的流形分布模型，我们提出一种基于神经网络的扩展学习方法，解决了一般的流形学习算法不能扩展到测试集新样本的问题。2)对于产生式的三维可变形人脸模型，我们提出了一个两阶段的多姿态人脸识别方案并改进了模型匹配的精度和速度。3)对于判别式的线性子空间方法，我们提出了一种新的判别准则，它在子空间维度较小的情况下能够避免Fisher准则的次优性问题。4)对于人脸识别这样的多类判别问题，我们提出了一种新的对类别进行编码的策略和基于概率的解码方法，从而更有效地利用了现有的两类判别算法。5)最后，为了融合产生式模型和判别式模型各自的优势，我们提出一种利用产生式SOM~2神经网络学习代表类的方法，它有效地提高了LDA判别子空间的泛化能力。