图象特征抽取与识别理论及其在人脸识别中的应用

【摘要】： 人脸识别技术是计算机模式识别领域非常活跃的研究课题。本文对人脸图象的特征抽取与分类器设计方法进行研究，主要内容如下： (1)提出了一种统计不相关最优鉴别矢量集的新算法，对统计不相关最优鉴别矢量集进行推广，提出了对大小样本均适合的广义统计不相关最优鉴别矢量集的新算法。将它们应用于人脸图象的识别，取得了良好的效果。 (2)提出了基于最优鉴别分析的图象特征抽取的一系列新方法，它们包括：基于对类内矩阵S_w进行谱分解的F-S最优鉴别矢量集方法，该方法在类别数比较小时非常有效；一种改进的基于SVD的最优鉴别矢量求解算法，将该方法用于人脸识别时有较好的性能；非线性最优鉴别矢量集方法，该方法虽然有效，但计算时间较长。 (3)提出了基于广义最优鉴别分析的图象特征抽取的一系列新方法，它们包括：Guo广义最优鉴别矢量集算法的改进方法；广义最优鉴别矢量集的解析算法，彻底解决广义最优鉴别矢量集的求解问题；提出了基于广义K-L变换的特征抽取方法，并从理论上揭示了基于广义K-L变换的特征抽取方法和基于广义最优鉴别准则的特征抽取方法之间的关系。实验表明了这两种新方法不论在识别率还是在计算时间上都具有明显的优越性。提出了散布矩阵的一种简洁表示方法，这一简洁表示方法适合于一切使用Fisher鉴别准则的模式识别问题。 (4)提出了一种在频域上的代数特征抽取方法，该方法将小波分析、小波包分析和最优鉴别分析、广义最优鉴别分析相结合。 (5)对图象分类器设计方法进行研究，主要包括：提出了一种基于广义逆和概率推理的分类器设计方法；提出了一种新的自适应模糊聚类算法；提出了基于模糊神经网络的分类器设计方法；并对多特征多分类器组合方法在人脸识别中进行实验研究； (6)提出了一种只要一个训练样本就能解决人脸识别问题的新方法，该方法结合了特征矩阵、Fisher最优鉴别分析和广义最优鉴别分析方法的优点。我们分别对三种图象库进行实验研究，在ORL人脸图象库、Yale大学的人脸图象库以及南京理工大学人脸图象库NUSTFDB Ⅱ上只取一幅图象训练分别得到100％、100％和94％的识别率。在南京理工大学人脸图象库NUSTFDB Ⅱ上取2幅或2幅以上图象训练则得到100％的识别率。这些结果是目前在上述三个人脸图象库上得到的最好的实验结果。