论文部分内容阅读
人脸验证是计算机识别领域非常活跃的研究课题,它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,从而提取出有利于分类的低维特征。特征提取是人脸验证的关键环节,也是主要难点所在,因此人脸特征提取技术一直是研究的热点。本文主要针对人脸特征提取技术进行研究,以基于客户相关的判别分析方法为主,系统地研究了人脸验证算法,主要内容为:(1)在基于客户相关的线性判别分析(CSLDA)方法的基础上进行改进,提出了一种模块化2DPCA和CSLDA方法相结合的人脸验证方法。CSLDA方法将图像矩阵转化为向量进行处理,数据维数很大,计算复杂,对图像整体处理没有考虑到图像的局部特征。针对这些缺点,新方法从原始数据出发,对二维数据进行分块后采用2DPCA进行特征抽取,能有效提取图像的局部特征,得到替代原始图像的低维的新模式。然后对新模式施行CSLDA,不仅考虑到了类内、类间的差异,弥补了PCA的缺陷;还利用客户相关子空间可以较好的描述不同个体人脸之间的差异性的优点,比传统的个体特征脸方法有更好的判别能力。在人脸库上的实验结果表明,新方法在验证效果上优于CSLDA方法。(2)在(1)基础的引导下,继续对引入核运算后的基于客户相关的非线性判别分析(CSKDA)方法进行改进,和模块化2DPCA相结合,提出了基于模块化2DPCA和CSKDA的人脸验证方法,在人脸库上的实验结果表明新方法可以取得更好的验证结果。(3)研究核自适应算法。核运算的引入使得我们可以解决非线性的模式识别问题,从而取得更好的效果,但核方法的优势往往取决于选取一个合适的核函数,一种可行的办法就是根据数据自动的学习得到最合适的核函数。早期的核函数学习方法往往有一定的局限性,比如对于确定的核函数,只能通过不断学习确定其参数得到最好的结果。本文提出了基于核矩阵学习的人脸验证非线性算法,为了进一步减少计算量,使用改进的准则函数,从而避免了对类内散布矩阵求逆。在人脸库上进行评价和测试的结果表明,经过核矩阵学习算法后的人脸验证方法和原有非线性方法相比,在效果上有了提高至少是不低于原有方法的验证率,可见使用核矩阵学习的人脸验证算法具有其可行性,即使使用不同的参数也可以通过学习算法调整得到一个稳定的验证效果,大大节省了在原有非线性方法中通过反复实验来选取参数的时间。