论文部分内容阅读
人脸识别作为模式识别的重要方面,在安全检测、图像监控方面发挥着越来越重要的作用。近年来随着人工智能技术的发展,人脸识别技术越来越受到关注。各种理论、算法都在不断完善。基于子空间的算法因其方便、快速而倍受青睐,引起众多研究者的兴趣。它是以提取人脸图像的有用鉴别特征为目的,按照提取的人脸特征,建立模式从而实现分类的一种模式识别方法。其中最关键的问题是特征提取,特征提取方法的优劣决定着人脸识别率的高低。本文将矩阵分解思想融入特征提取算法中,降低了非线性特征提取算法核矩阵的维数,克服了一般非线性特征提取算法,当大规模训练集时,核矩阵特征向量求解困难的问题。所取得的主要研究成果为:(1)介绍基于子空间的线性特征提取方法,包括对于向量的主成分分析(PCA)和线性判别分析(LDA)算法,以及对于矩阵的二维主成分分析(2DPCA)和二维判别分析(2DLDA)算法。(2)研究基于子空间的非线性核主成分分析(KPCA)与二维核主成分分析(K2DPCA)等特征提取算法。为了克服大规模训练数据库,KPCA与K2DPCA算法核矩阵规模太大、计算代价高的缺点,采用选主元的Cholesky分解来得到核矩阵的低秩近似来解决这一问题,提出了一种K2DPCA与选主元的Cholesky相融合的非线性特征提取方法。在加噪的ORL人脸数据库上的实验结果表明,该选主元的过程可以一定程度克服噪声的影响,其识别率相比KPCA、K2DPCA的识别率有着明显提高;而在大型人脸数据库Extended YaleB上的实验结果也说明,此算法可有效抽取非线性特征。(3)研究基于子空间的非线性核判别分析(KLDA)与二维核判别分析(K2DLDA)算法。将选主元的Cholesky分解算法,对大规模核矩阵进行了低秩近似,提出了一种K2DLDA与选主元的Cholesky相结合的非线性特征提取方法。在AR大型人脸数据库子集上的实验表明,该方法对分类有一定程度的增强作用,且选主元过程有一定程度的克服噪声的效果。