基于非线性Fisher判决的人脸识别方法研究
人脸识别是生物特征鉴别技术的一个主要方向，与其他生物特征相比，人脸识别具有主动性、非侵犯性和用户友好等许多优点，多年来一直受到许多研究者的关注。从最初的基于几何的方法到基于统计等复杂特征的方法，人脸识别已经发展了很多算法。目前基于统计特征的线性方法在人脸识别中发展的比较成熟，但是由于人脸识别涉及光照、表情、姿态等问题，线性方法在实际应用中表现的远远不够。因此，将线性方法拓展到非线性领域以提高识别率是一个亟待解决的问题。本论文主要研究了核Fisher判决分析(KFDA)，重点是各种线性Fisher判决算法到非线性方法的拓展。主要结果概括如下：
1.根据核Fisher判决分析算法，本文提出引入了核样本集的概念。将KFDA算法等价于对核样本集做Fisher线性判决(FLD)。这样非线性的算法又转化到了线性算法。因此，将成熟的线性算法再重新引入到非线性领域，以提高原有算法的性能的。
2.基于核样本集的概念提出两种增强型核Fisher判决分析模型(EKFD-1和EKFD-2)。该算法将两种增强型FLD模型(EFM-1和EFM-2)引入到非线性算法中。EKFD模型在对核样本集进行FLD处理的过程中，考虑了过拟合问题，并将FLD过程等效为对类内和类间散布矩阵的分别对角化。实验结果表明，增强型核Fisher判决分析模型提高了传统KFD算法的识别率，也提高了EFM算法的识别率。
3.与次分量分析(MCA)结合，提出了基于次分量的核Fisher判决分析算法。该算法同样是基于核样本集的，并利用次分量改进了传统的核Fisher判决分析方法。首先对原始样本的核函数映射结果进行降维，使得类内散布矩阵非奇异；然后提取类内散布矩阵的次分量并构造次分量空间；最后在类内散布矩阵的次分量空间里进行Fisher线性判决。由于类内散布矩阵的次分量能有效提取类别之间的差异，因此更有利于Fisher判决。实验结果表明该方法的识别率明显高于普通核Fisher判决、优于基于零空间的核Fisher判决方法。
人脸识别;生物特征鉴别;核Fisher判决;统计特征;线性算法
中国海洋大学
硕士
信号与信息处理
姬光荣
2005
中文
TP391.41
50
2006-07-27（万方平台首次上网日期，不代表论文的发表时间）