基于子空间分析的人脸特征提取及识别研究

论文题目: 基于子空间分析的人脸特征提取及识别研究

论文类型: 博士论文

论文专业: 仪器科学与技术

作者: 梁毅雄

导师: 潘英俊,龚卫国

关键词: 人脸识别特征提取,奇异值分解,线性鉴别分析,小样本问题,核方法

文献来源: 重庆大学

发表年度: 2005

论文摘要: 人脸识别是当前计算机模式识别领域中的一个非常活跃的研究课题,在法律、商业等领域具有广泛的应用前景。如何有效的从人脸图像中提取使之区别于其他个体的特征,是人脸识别研究的一个关键问题。在众多的特征提取技术中,子空间分析因其计算简单、有效等特性引起了人们的广泛注意,现已成为人脸图像特征提取和识别的主流方法之一。该文以人脸识别为目标,以基于子空间分析的人脸特征提取为重点进行了相关研究,并取得了如下创新性成果: 1、该文采用投影分析的方法对图像奇异值特征的有效性进行了分析,发现该特征实质上是通过对图像进行投影变化所得到的,而在提取奇异值特征时,对不同的图像采用了不同的投影变化,即选用了不同的基准,因此仅采用奇异值特征不足以进行有效的人脸识别。在此基础上,该文基于奇异值分解和投影的方法提取了一种新的称为投影系数主元特征的代数特征,并将其用于人脸识别。在标准的ORL 人脸库和Yale 人脸库上的实验结果表明,与传统的奇异值特征相比,所提取的这种新特征在较低的维数内包含了更多的有用信息,是一种稳定的、更为有效的代数特征。2、该文首次将基于Chernoff 准则的异方差线性鉴别分析(HCLDA)应用于人脸识别研究当中。由于HCLDA 能同时提取包含在类均值和类协方差之间的鉴别信息,因此理论上优于经典的基于Fisher 准则的线性鉴别分析。然而,在HCLDA方法中要求总体类内散布矩阵和各类的类内散布矩阵均可逆,而在人脸识别中这些散布矩阵往往是奇异的。该文首先根据样本的可分性,提出了一种新的称为最大广义Fisher 值的主元选择策略,并基于该策略采用主元分析的方法对原始的高维图像矢量进行降维,然后采用最大熵协方差估计策略对各类的类内散布矩阵进行估计,从而解决了总体类内散布矩阵和各类的类内散布矩阵不可逆这一问题。3、该文基于相关加权和统计不相关两种思想,提出了一种新的基于相关加权Fisher 准则的不相关鉴别分析(RWULDA)方法。该方法考虑了样本两两类别之间的可分性,能有效的抑止可分性较好的类别在求解最优鉴别向量过程中所产生的“欠适应”效应,在提高相邻类别之间的可分性的同时去除了提取的鉴别特征之间的统计相关性。在大型AR 人脸库和FERET 人脸库的子库上的实验结果验证了该方法的有效性。

论文目录:

中文摘要

英文摘要

1 绪论

1.1 人脸识别研究的重要意义

1.2 人脸识别研究的主要内容和困难

1.3 人脸识别的研究现状

1.3.1 基于几何特征的人脸识别

1.3.2 基于子空间分析的人脸识别

1.3.3 基于小波特征的人脸识别

1.3.4 基于隐马尔可夫模型的人脸识别

1.3.5 基于神经网络方法的人脸识别

1.3.6 总结

1.4 本文的研究内容及主要创新点

1.4.1 本文的研究内容及安排

1.4.2 本文的主要创新点

2 基于奇异值分解的人脸识别

2.1 图像的奇异值分解

2.2 基于奇异值特征的人脸识别

2.3 图像奇异值特征的有效性

2.4 投影系数主元特征

2.5 实验结果及分析

2.6 本章小结

3 基于线性鉴别分析的人脸识别

3.1 主元分析(PCA)

3.2 线性鉴别分析(LDA)

3.2.1 两类情况

3.2.2 多类情况

3.3 F-S 线性鉴别分析(F-SLDA)及不相关线性鉴别分析(ULDA)

3.3.1 F-SLDA

3.3.2 ULDA

3.3.3 ULDA 与LDA 之间的等价性

3.4 异方差线性鉴别分析(Heteroscedastic LDA)

3.4.1 异方差线性鉴别分析

3.4.2 Chernoff 准则

3.5 基于HCLDA 的人脸识别

3.5.1 总体散布矩阵的零空间

3.5.2 最大广义Fisher 值主元选择策略

3.5.3 最大熵协方差估计

3.5.4 基于HCLDA 人脸识别方法的基本步骤

3.6 基于相关加权Fisher 准则的不相关线性鉴别分析(RWULDA)

3.6.1 加权Fisher 准则与加权Chernoff 准则

3.6.2 相关加权Fisher 准则

3.6.3 RWULDA

3.7 实验结果

3.7.1 标准人脸库

3.7.2 图像预处理

3.7.3 实验1:主元鉴别能力的评估

3.7.4 实验2:识别实验

3.8 本章小结

4 小样本情况下基于线性鉴别分析的人脸识别

4.1 扰动法

4.2 伪逆法

4.3 Fisherfaces 方法

4.4 EFM,DLDA 和NLDA 的理论研究

4.4.1 EFM,DLDA 和NLDA 的基本原理

4.4.2 EFM,DLDA 和NLDA 方法的基本属性

4.4.3 EFM,DLDA 和NLDA 的有效性分析

4.5 加权不相关零空间线性鉴别分析(WUNLDA)

4.6 实验结果及分析

4.7 本章小结

5 基于非线性核鉴别分析的人脸识别

5.1 核方法

5.1.1 核方法的基本思想

5.1.2 根据核函数构造特征空间

5.1.3 正定核

5.1.4 常用的核函数

5.1.5 正定核的构造

5.1.6 特征空间

5.2 核主元分析

5.3 核鉴别分析

5.3.1 核Fisher 鉴别分析

5.3.2 F-S 核鉴别分析和统计不相关核鉴别分析

5.3.3 F-S 核鉴别分析与统计不相关核鉴别分析之间的等价性

5.3.4 核鉴别分析中的小样本问题

5.4 加权不相关零空间核鉴别分析(WUNKDA)

5.5 实验结果

5.5.1 人脸图像库及预处理

5.5.2 实验1:复杂人脸模式的分布

5.5.3 实验2:识别试验

5.6 本章小结

6 全文工作总结及今后工作展望

致谢

参考文献

附录:作者在攻读博士学位期间发表的论文目录

发布时间: 2005-11-07

参考文献

• [1].投影分析在人脸识别中的研究与应用[D]. 赵海涛.南京理工大学2003
• [2].非参数边际距离最大化准则及其应用[D]. 邱锡鹏.复旦大学2006
• [3].图像特征抽取的若干新方法研究[D]. 宋晓宁.南京理工大学2011
• [4].人脸识别中特征提取方法的研究[D]. 赵武锋.浙江大学2009
• [5].基于子空间的特征提取与融合算法研究[D]. 王胜.南京理工大学2016
• [6].子空间特征提取及生物特征识别应用[D]. 殷俊.南京理工大学2011

相关论文

• [1].基于子空间分析的人脸识别算法研究[D]. 张成元.北京交通大学2009
• [2].几种线性与非线性特征抽取方法及人脸识别应用[D]. 徐勇.南京理工大学2004
• [3].基于Gabor小波变换的人脸识别[D]. 李云峰.大连理工大学2006
• [4].人脸检测和识别算法的研究与实现[D]. 赵丽红.东北大学2006
• [5].人脸识别中鉴别特征抽取若干方法研究[D]. 陈伏兵.南京理工大学2006
• [6].人脸识别中若干关键问题的研究[D]. 山世光.中国科学院研究生院（计算技术研究所）2004
• [7].小样本人脸图像特征抽取和识别方法研究[D]. 贺云辉.东南大学2006

标签：人脸识别特征提取论文;  奇异值分解论文;  线性鉴别分析论文;  小样本问题论文;  核方法论文;