近年来,随着计算机技术的迅速发展,人脸识别技术得到广泛研究与开发,人脸识别已成为计算机视觉和模式识别领域中的热门研究课题之一。人脸识别是从人脸图像中抽取人的个性化特征,并以此来识别人的身份,在人工智能、系统监控、模式识别等方面有着重要的应用前景。
　　 在综合分析国内外主要的特征提取方法和识别技术的基础上,本文先研究了多种代数特征抽取方法下的图像分类算法,然后提出了几种新散布矩阵特征抽取的方法,并进行算法验证。具体内容如下:
　　 (1)本文首先研究了统计学习理论和支持向量机的基本原理,对模糊系统和支持向量机做了分析和研究,并将模糊系统和支持向量机运用到人脸识别领域。本文主要研究的是静态、正面端正的灰度图像情况下的人脸识别问题。
　　 (2)本文对模糊支持向量机(Fuzzy Support Vectot Machine或FSVM)作了重点分析和研究。对人脸图像的多种代数特征抽取方法进行了对比,将抽取的人脸特征应用到FSVM上,并对FSVM的多类算法提出改进,将多叉决策树和FSVM进行了结合。
　　 (3)提出从线性子空间的角度出发,构造了一种矩阵变换,得到了类内散布矩阵的另一个对称线性子空间,通过对两个子空间的分别求解,从而得到样本有效的鉴别信息。该方法有效地解决了传统Fisher鉴别分析方法中的最终特征维数受类别数限制的问题。在NUST603和ORL人脸数据库上的实验结果验证了算法的有效性。
　　 (4)模式分类在面临非线性高维数据下的小样本问题时通常十分困难。针对这个问题,从核线性子空间的角度出发,构造了一种矩阵变换,得到了核空间中类内散布矩阵的另一个对称核子空间,通过对两个核子空间的分别求解,从而得到样本有效的鉴别信息。该方法有效地解决了传统Fisher鉴别分析方法中非线性小样本问题的特征抽取。在NUST603和ORL人脸数据库上的实验结果验证了算法的有效性。
　　 (5)提出一种模糊对称散布子空间的鉴别分析算法。首先,通过构造对称散布子空间模型,从而分别获得类内和类间散布矩阵的一组子空间。其次,提出了一种松弛归一化条件的模糊鉴别分析算法,将每一个样本的隶属度根据它对散布矩阵重定义所做的贡献融入到特征抽取的过程中,从而得到完整有效的模糊特征向量集。该方法在传统子空间学习算法中尤其在小样本情况下具有优势。在NUST603和ORL人脸数据库上的实验结果验证了算法的有效性。