论文部分内容阅读
人脸识别是模式识别领域最热门的一个研究课题，在信息安全领域具有非常广阔的应用前景。在众多的人脸识别方法当中，基于子空间分析的人脸识别方法因其识别效果优良、算法计算量较小等优点引起了广泛的关注，成为当前主流的一类人脸识别方法。本文对基于子空间分析的人脸识别方法进行了深入的研究，并提出了一些创新方法。本文的主要工作内容如下：（1）对三种比较具有代表性的基于子空间分析的人脸识别方法进行了详细的介绍。小样本问题是上述三种方法之一的基于线性鉴别分析(Linear Discriminant Analysis, LDA)的人脸识别方法在实际应用中通常会遇到的一个比较严重的问题，该问题目前已经有了一些比较优秀的解决方法，本文也对这些方法中的几种主流方法进行了全面的理论分析和比较。（2）提出一种改进Fisher准则函数，以解决传统LDA中Fisher准则函数不直接与最高识别正确率相关，和逐对类加权Fisher准则函数计算量过大等问题，并通过实验对这种改进Fisher准则函数的有效性进行验证，此外还将这种改进Fisher准则函数推广到核鉴别分析(Kernel DiscriminantAnalysis, KDA)当中。（3）对基于广义奇异值重组的线性鉴别分析方法(LDA based on the GeneralizedSingular Value Decomposition, LDA/GSVD)进行改进，提出一种改进的LDA/GSVD算法，以配合改进Fisher准则函数用于解决LDA中的小样本问题。并且将GSVD方法引入到KDA当中，提出一种基于广义奇异值重组的核鉴别分析方法(KDA based on the GeneralizedSingular Value Decomposition, KDA/GSVD)，用于配合KDA中的改进Fisher准则函数解决KDA中高维特征空间中的小样本问题。