人脸识别中特征提取技术研究

《人脸识别中特征提取技术研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、上海交通大学博士学位论文人脸识别中特征提取技术研究姓名：周大可申请学位级别：博士专业：模式识别与智能系统指导教师：杨新20051001摘要人脸识别是模式识别、图象处理和人工智能领域塌具挑战性的研究方向之一。广义上．人脸识别包括三个主要技术环节，即预处理、人脸特征提取和分类器设计。人脸特征提取又称为人脸表述，是在低维特征空间内对原高维空间的人脸模式进行描述、建模，目的是提取出有利于分类的低维特征。特征提取是人脸识别的关键环节，有效的人脸特征提取方法不仅有助于简化后续的分类器设计，而且能够提高识别率。但是由于人脸模式的复杂性和多变性，在视角、光照和表情等

2、条件变化下人脸图象的类内离散度远大于类问离散度，导致很难有效地提取分类特征。因此，人脸特征提取也是人脸识别的主要难点所在，注重鲁棒性同时兼顾效率的人脸特征提取技术～直是研究的热点。本文主要针对人脸特征提取技术进行研究，研究的重点是基于整体的人脸表述方法，日的是进一步提高人脸特征提取和识别算法的鲁棒性及有效性。为此，首先介绍了现有的人脸表述方法：随后，结合人J

3、盒模式的特点，探讨了儿种非监督的人脸表述方法：最后，研究了基于判别分析的监督方法在人脸表述中的应用。具体来说，本文的主要创新性成果有：(1)提出了结合人脸全局信，自、和局部(器官)信息的人脸组合

4、特征提取方法，并研究了儿种相似性度量。r绸台特征的分类性能。该方法在DcT整体特征的錾础上，增强了脸制重要器官(眼和鼻)的信息，能够有效地描述人脸模式。实验结果表明，该方法优于传统的PcA和Dcll方法，并H．划分类度量相剥不敏感。此外，相比于PcA方法，绷合特征方法具有更好的计算性能。为了快速有效地定能脸部器官，提出丁一种丛于儿俐投影和模扳匹配相结合的人脸特征点定位算法。该方法综合了投影法和模板匹配法的优点．既有较高的定位精度和汁算速度，同叫对光照、视角的变化有很好的鲁棒性。(2)提出了丛于函数替代的非线性独立元分析法(FR—fcA)。该方法通过定

5、义非线性映射将样本从输入空间映射到低维空间，然后在此空俐内进行lcA变换。在采用同样核函数的情况‘r，该算法提取的特征与KlcA算法提取的特征有者相近的分类性能，但本文方法可任意选川核函数，不需要其满足Mercy条件。(3)研究了基于局部灰度分析的人脸表述方法。在局域二值模式(LocaIBinarvPattem．1，BP)表述符基{ii

6、；上，结合人脸圈象的特点，提出了一种牡于多分辨率ILBP(improved．LBP，lLBP)直方图的人脸表述方法。与常用的基于Gabor小波的方法相比，本文方法识别率相当且计算量较小。(4)结合人脸模式的特点，系统

7、地研究了基于判别分析的人脸特征提取方法。在此基础上，提出了两种改进的LDA算法，即直接加权LDA(Dw—LDA)和改进LDA(I．LDA)。Dw．LDA的基本思想是使用不损失重要判别信息的方法来降维，同叫在传统的Fisher准则中引入加权函数得到与分类率直接相关的改进准则，能够有效地处理小样本问题及传统的Fisher准则在多类情况下非最优问题。I．LDA是Dw．LDA的增强版本，主要是利用同时对角化技术来提高算法的泛化性能。提出了两种基于核的判别分析算法，即基于QR分解的核判别分析(QR．KDA)和基于核的改进判别分析(KIDA)。QR．KDA能够较

8、好地解决(KDA中)伪类内离散度矩阵奇异性的问题，并目其计算量较小；KlDA可以香作足1．LDA基于核方法的扣；广形式，它不仅能有效的处理伪类内离散艘矩阵奇异性的问题，I叮且通过在高维隐特征窄问I』；

9、引入加权函数重构Fjsher准则，jM奸的解决了KDA方法中的Fisher准则在多类情况下非最优问题。关键词：人脸识肌特征提取；离散余弦变换：主元分析法；独立元分析法：线性判别分析法；梭方法AbstractFacerecognitionisoneofthemostchallengingproblemsintheneldsofpanemrecogniti

10、on，imageprocessingandartmcjalInte川gence．Genera¨y’FacerecognitioncOntainsthreemainsteps，e．faceimageprepmcessing，featureextractionandclaSsinerdesjgn．FacefeatureextmcIion，alsoreferredtoasfacerepresentation，isakeystepforfacerecognition．ThegoaIjstomodelorrepresenIhighdimensionfacepa

11、Iternsinlowdimensionfeaturespacesoastoextractfacefeatu