论文部分内容阅读
人脸识别是当前计算机模式识别领域中的一个非常活跃的研究课题，在法律、商业等领域具有广泛的应用前景。如何有效的从人脸图像中提取使之区别于其他个体的特征，是人脸识别研究的一个关键问题。在众多的特征提取技术中，子空间分析因其计算简单、识别率高等特性引起了人们的广泛注意，现已成为人脸图像特征提取和识别的主流方法之一。本文以人脸识别为目标，以基于子空间分析的人脸特征提取技术为重点进行了相关研究。本文的主要工作如下： (1)介绍了人脸识别技术的研究背景和发展现状。 (2)研究了图像的奇异值特征对识别的有效性，针对奇异值特征包含很少的对分类有用的信息这一缺点，提出了一种基于投影变换的奇异特征提取方法。实验结果显示此方法优于传统的基于奇异值特征的识别方法。 (3)深入分析了主成分分析(PCA)方法的基本原理，PCA方法最显著的优点是能用低维特征向量来估计原始样本，基于此特点将它用来实现对人脸的识别。此外本文还深入分析了PCA中遇到的特征值选择和距离准则的选取问题。 (4)研究了基于Fisher线性判别分析方法，针对人脸识别中的小样本问题本文提出了先用主成分分析(PCA)方法减少特征空间维数，再利用Fisher线性判别方法实现对人脸的识别。 (5)研究了二维主成分分析(2DPCA)方法，2DPCA方法不需要先将图像矩阵展开成一维向量，而是直接利用图像矩阵来构建样本协方差矩阵，所以2DPCA比PCA的识别时间更短，识别更高。针对2DPCA需要大量的系数来描述图像样本这一缺点，本文提出一种新的特征提取技术，实验结果说明了新方法在识别时间上明显优于2DPCA。