论文部分内容阅读
人脸识别技术是一种方便实用的基于人类生物特征的身份识别技术，有着迫切的现实需求和广阔的应用前景。然而目前的人脸识别技术还有许多地方不完善，光照、姿态、遮挡、以及小样本等问题仍然对识别系统的性能产生较大影响，人脸识别研究仍然是一项极富挑战性的课题。
本文针对人脸识别中的判别分析及其相关算法展开研究，所做主要工作如下：
1.对基于Fisher线性判别的特征提取方法与基于主元分析的特征提取方法进行了比较，比较的方法包括：Eigenfaces、KPCA、Fisherfaces、D-LDA、R-LDA和KDDA。研究表明，Fisher线形判别算法固有的判别能力，使得基于Fisher线形判别的方法在总体上优于基于主元分析的方法。
2.提出了一种改进的随机采样FLDA方法。该方法首先应用AdaBoost方法对人脸的Gabor特征进行选择，去除冗余信息；然后，在选出的Gabor特征空间里，将主元分析方法与随机子空间技术相结合，为下一步执行的FLDA构建了一组最佳的随机子空间。接着，在每个新构建的子空间里，分别执行D-LDA和R-LDA方法。最后，采用一种融合策略对所有FLDA分类器进行融合得到最终的结果。在ORL和FERET人脸库上的实验，验证了提出方法的有效性。与之前的基于随机子空间的方法相比，本文中的方法具有更好的识别效果。
3.为了解决人脸识别中的小样本问题，基于KLIM的正则化分类器被引入人脸识别任务中，并对其识别效果进行了详细的考察。实验中分别采用了交叉验证和模型选择准则两种参数估计方法对KLIM算法中的正则化参数进行了估计。在ORL人脸数据库上，将KLIM方法与几种经典的判别分类器QDA、LDA、RDA和LOOC方法进行了比较。实验结果表明，综合考虑时间消耗和识别率两方面，KLIM分类器要好于其他方法，且结果稳定。