人脸识别特征提取的研究

人脸识别是模式识别研究领域的一个重要方向,属于生物识别的研究领域。在人脸识别等模式识别领域,特征提取是解决问题的一个关键。在过去的几十年中,在特征提取领域,有很多学者提出了相关的算法。如基于线性特征提取方法的线性鉴别分析,主成分分析或称K-L变换和新近提出的二维主成分分析,以及在支持向量机的基础上演变而来的基于核技巧的特征提取方法等等。该文就有关线性投影分析与基于核技术的非线性投影分析的理论与算法进行了深入的研究。并在ORL和Yale人脸库上对传统的经典算法进行了相关实验。 通常我们的人脸识别对所采集的人脸图像有较高的要求。这里我们采用相关图像处理算法对标准人脸库ORL中的标准人脸图像进行变形,共八种变形,此变形是采用C语言实现的,以检查我们传统算法的鲁棒性,为今后进一步展开如漫画识别,或有关丰富表情的人脸,比如喜,怒或鬼脸,识别打下基础。 鉴于传统的Fisher鉴别函数在处理奇异问题时存在的不足,我们研讨了一种新的Fisher鉴别函数推广形式J_n（ψ）。通过实验我们得到:基于广义特征值分解的鉴别向量集识别率,本文提出的J_n（ψ）比原来的广义Fisher鉴别函数J_t（ψ）要高,基于J_n（ψ）的广义特征值鉴别向量集和QR鉴别向量集的识别率,后者的识别率要优于前者。 特征提取过程之中的距离度量我们一般用点点之间的距离来定义两者之间的差异性,本文受最近邻思想的启发,提出了一种新的基于点线距离的最近邻线段的方法,最近邻线段（NFLS）分类器能解决最近邻线的一种错分情况,以及带有参数的最近邻线段的方法。通过在Yale和FERET人脸库上的实验,我们发现,有可调参数的最近邻线段（NFLSP）分类器则总能得到最近邻线（NFL）和最近邻线段（NFLS）两种方法的最优识别率。