学位论文 > 优秀研究生学位论文题录展示

改进的Fisher鉴别分析两步算法研究及其在人脸识别中的应用

作　者: 崔法毅
导　师: 郑德忠
学　校: 燕山大学
专　业: 仪器科学与技术
关键词: 人脸识别子空间方法主成分分析 Fisher鉴别分析两级对称准则图像增强
分类号: TP391.41
类　型: 博士论文
年　份: 2012年
下　载: 292次
引　用: 1次
阅　读: 论文下载

内容摘要

随着计算机技术、图像处理技术的飞速发展，人脸识别(Face Recognition)技术已成为世界和平、国家安全、社会稳定等层面备受关注的研究热点，并逐步形成一门重要的生物特征识别技术。特别是20世纪90年代以来，以主成分分析(PrincipalComponent Analysis, PCA)和线性鉴别分析(Linear Discriminant Analysis, LDA)为代表的子空间方法的进一步研究，有力地促进了人脸识别技术的发展，使得人脸识别技术在防恐、反恐、刑事侦查、机要管理等方面得以广泛应用，并成为刑侦领域不可或缺的重要手段和基准方法。本文通过研究主成分分析与Fisher鉴别分析这两类子空间方法的现有算法与关键问题，寻找两者之间的切合点、研究新算法，旨在提取出不失表征性同时具有较强鉴别力的人脸识别特征。主要工作如下：围绕人脸图像样本镜像对称特性在主成分分析中的应用展开研究，鉴于人脸呈现出相对严格的关于正面中心垂直线的镜像对称特性，利用镜像图像作为一类人脸虚拟样本，扩大了训练样本容量，克服了人脸姿态、视角、旋转等因素的影响。在深入分析现有的对称主成分分析算法的基础上，针对核对称主成分分析(Kernel basedSymmetrical PCA, KSPCA)算法存在的核函数选取范围类型局限、缺乏特定样本具体分析能力等问题进行研究与改进，提出了基于插值核方法的广义核对称主成分分析(Generalized KSPCA, GKSPCA)算法。研究了Fisher鉴别分析中鉴别准则的推广、鉴别向量集的正交性、统计不相关性等关键问题，针对现有的两步算法存在鉴别向量类型与个数受限、鉴别特征维数受限及统计相关性的问题，基于在表征空间中提取鉴别特征的算法思想，提出了两种改进的核Fisher鉴别分析两步算法，即WKPCA+LDA与GKSPCA+SLDA。其中，WKPCA即白化的核主成分分析(Whitened Kernel based PCA)，SLDA即基于Fisher对称零空间鉴别准则的LDA。WKPCA+LDA中，提出了NLUSODVs(Non-LinearUncorrelated Space based Optimal Discriminant Vectors)及其一般化求解方法，实现了在非线性统计不相关约束空间(WKPCA子空间)中求解Fisher最佳鉴别向量集的极值问题，在不失一般性的前提下，尽可能地提取出鉴别力更强且更有利于人脸识别的鉴别特征。GKSPCA+SLDA中，推广应用了两级对称准则(镜像奇偶对称表征准则与Fisher对称零空间鉴别准则)，旨在增加鉴别向量的类型与个数，同时，增加鉴别特征的维数，使人脸识别特征的表征力与鉴别力同时实现趋大化。人脸识别实验中，分析了鉴别向量的求解方法及特征选择策略对识别性能的影响，比较了两种改进算法相对于其它传统算法的优势。提出了图像增强新算法，结合Fisher鉴别分析改进算法使人脸识别更加准确快捷。针对Fisher鉴别分析中的多种双向二维线性算法，包括双向两步算法及双向组合算法，通过人脸识别实验展开讨论，分析了双向投影矩阵的求解方法及特征选择策略对识别性能的影响，同时，从实验中验证了规律性。

全文目录

摘要  4-6
Abstract  6-11
第1章绪论  11-26
  1.1 人脸识别的研究背景及意义  11
  1.2 人脸识别的研究现状  11-16
  1.3 面向人脸识别的子空间方法  16-25
    1.3.1 主成分分析  17-21
    1.3.2 Fisher鉴别分析  21-23
    1.3.3 独立成分分析  23-24
    1.3.4 典型相关分析  24
    1.3.5 流形学习  24-25
  1.4 论文的主要内容  25-26
第2章样本镜像对称特性在主成分分析中的应用研究  26-64
  2.1 线性主成分分析算法  26-31
    2.1.1 主成分分析  26-27
    2.1.2 二维主成分分析  27-29
    2.1.3 双向二维主成分分析  29-31
  2.2 非线性主成分分析算法  31-41
    2.2.1 核主成分分析  31-34
    2.2.2 二维核主成分分析  34-41
  2.3 样本镜像对称特性在主成分分析中的应用  41-50
    2.3.1 输入空间中的镜像变换与奇偶分解原理  41-43
    2.3.2 对称主成分分析  43-44
    2.3.3 二维对称主成分分析  44-46
    2.3.4 双向二维对称主成分分析  46
    2.3.5 核对称主成分分析  46-50
  2.4 针对核对称主成分分析算法不足的研究与改进  50-63
    2.4.1 核函数选取范围的拓展研究  50-54
    2.4.2 基于插值的核函数构造方法  54-58
    2.4.3 插值核方法的提出及其在核函数拓展研究中的应用分析  58-59
    2.4.4 广义核对称主成分分析  59-62
    2.4.5 特征选择策略的推广思想  62-63
  2.5 本章小结  63-64
第3章改进的Fisher鉴别分析两步算法研究  64-91
  3.1 Fisher鉴别准则的研究与发展  64-71
    3.1.1 Fisher极大鉴别准则  64-66
    3.1.2 Fisher极小鉴别准则  66-67
    3.1.3 Fisher对称零空间鉴别准则  67-71
  3.2 Fisher鉴别准则的推广  71-73
    3.2.1 二维推广  71-72
    3.2.2 核推广  72-73
  3.3 Fisher鉴别向量集的特性分析  73-79
    3.3.1 具有正交性的最佳鉴别向量集  73-76
    3.3.2 具有统计不相关性的最佳鉴别向量集  76-79
  3.4 Fisher鉴别分析两步算法框架  79-83
    3.4.1 PCA+LDA算法框架  79-81
    3.4.2 KPCA+LDA算法框架  81-82
    3.4.3 2DPCA+2DLDA 算法框架  82-83
    3.4.4 K2DPCA+2DLDA 算法框架  83
  3.5 改进的核 Fisher鉴别分析两步算法  83-89
    3.5.1 WKPCA+LDA73  83-87
    3.5.2 GKSPCA+SLDA  87-89
  3.6 本章小结  89-91
第4章图像预处理增强算法研究  91-103
  4.1 双线性广义模糊增强  91-97
    4.1.1 线性广义模糊算子  92-94
    4.1.2 线性广义隶属度变换  94
    4.1.3 图像质量评价标准  94-97
  4.2 自适应单层次的双线性广义模糊增强算法  97-98
    4.2.1 模糊参数的自适应优化选择  97
    4.2.2 算法执行步骤  97-98
    4.2.3 图像增强效果  98
  4.3 自适应多层次的双线性广义模糊增强算法  98-100
    4.3.1 多层次阈值灰度的选择步骤  98-99
    4.3.2 多层次线性广义模糊增强  99-100
    4.3.3 图像增强效果  100
  4.4 应用小波包变换的加权广义模糊增强算法  100-102
    4.4.1 小波包变换  100-101
    4.4.2 算法执行步骤  101-102
    4.4.3 图像增强效果  102
  4.5 本章小结  102-103
第5章人脸识别实验  103-115
  5.1 人脸识别实验简介  103-104
    5.1.1 人脸图像数据库及图像预处理  103-104
    5.1.2 分类器类型  104
    5.1.3 识别性能评价指标  104
  5.2 实验结果及分析  104-114
  5.3 本章小结  114-115
结论  115-117
参考文献  117-127
攻读博士学位期间承担的科研任务与主要成果  127-129
致谢  129-130
作者简介  130

改进的Fisher鉴别分析两步算法研究及其在人脸识别中的应用

内容摘要

全文目录

相似论文