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,Kernel Fisher Discriminant Analysis),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(Kernel Sample Set)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。