大类别及少量训练样本的人脸识别问题研究

人脸识别是当前模式识别和图像处理领域的研究热点，属于生物鉴别技术(Biometrics)的一部分。人脸识别一般分为人脸检测、特征抽取和模式分类三个部分。人脸识别中常遇到的问题是样本维数高、类别数大以及每人只能提供少量的训练样本。针对这些问题该文进行了研究。 在训练样本较小时，向量形式的人脸识别是高维小样本问题，可以用奇异值分解定理减少计算量。可是由于人数众多，人脸识别并不是小样本问题。在类别较大的情况下如何有效地抽取特征是人脸识别的首要问题。二维投影利用表示图像的矩阵直接抽取特征，计算量主要与图像的大小有关，能适用于大类别的人脸识别。针对二维投影抽取出的特征是矩阵，存在特征之间的冗余度大、特征数量多、不利于存储和分类等弱点，该文通过两种办法进一步降低二维投影抽取出的特征数量。一是利用两次二维投影进行双向压缩，在横向压缩后，对矩阵转置后在纵向再压缩一次；另一种是对二维投影后的样本再作一次向量形式的特征抽取。还提出了一种基于类间散布矩阵的二维主分量分析方法，利用了已知的类别信息，比用总体散布矩阵效果更好。 人脸识别所有算法的识别率一般都与每个人的训练样本数正相关。但在实际应用中，要求每人提供多幅图像并不合理，常常每人只提供了一个训练样本。该文通过对称、平移、尺度和旋转等变换增加虚拟图像提高了识别率。通过对人脸图像的左右两边施行不同的尺度变换，由正面人脸图像可以生成出人脸旋转一定角度的近似图像，作为增加的训练样本。在增加虚拟样本后，解决了类内散布矩阵为零的问题，使得基于Fisher准则的各种方法对单训练样本的人脸识别也可以使用。在FERET人脸库和ORL人脸库上的实验表明，通过增加虚拟图像对提高识别率作用显著。 人脸识别中类别数特别多，要想用一种特征一次性把所有类别都分开是不现实的。该文提出了一种树型结构的多级分类的方法。使用快速的二维投影方法，在大范围内找出每一个待识样本的若干候选类别，再分别对待识样本在其相应的候选类别内进行特征抽取和识别，减小了匹配范围提高了识别率。在FERET人脸库上的实验表明，经筛选后在候选类别中识别的正确率有12％以上的提高。该文提出了用均值和方差对图像进行光照标准化的方法。 不同方法抽取的特征反映了模式对象在不同标准下的样本的本质和分类能力。在一种特征空间很难区分出来的样本，可能在另一特征空间里可以很容易地分开。因此，将不同方法抽取的特征有机地结合在一起，就可能得到更好的分类性能。经