论文部分内容阅读
人脸识别是近年来模式识别、图像处理、机器视觉、神经计算以及认知科学等领域研究的热点课题之一，还受到了工业界的极大关注，并已取得了丰硕的研究成果。人脸识别系统的性能不但依赖于分类器的设计，而且决定于特征抽取的好坏。用同样的分类器对从人脸图像中抽取的不同的特征分类的效果会有很大差异。因此，特征抽取在人脸识别中起着决定作用。好的特征抽取方法能够为人脸提供一种更鲁棒的表示，大大的提高分类器的分类精度，并同时提高识别速度。本文针对人脸识别中特征抽取所面临的五个挑战进行了研究，包括构造适合于描述人脸的鲁棒的特征表示，解决AdaBoost特征选择器的过配问题和类别不均衡问题，解决KLBoosting和JSBoosting特征选择器的数值不稳定性问题和复杂计算问题，选择能推广到各种不同成像条件的人脸库的鲁棒的特征，具有不同光照方向的人脸图像识别中的特征抽取问题。主要研究成果如下：
(1)提出了一种基于多分辨率分析的特征构造方法MLBP，通过抽取不同层次的细节信息，MLBP能够很好的描述人脸。另外，通过双空间线性判别分析DSLDA在MLBP特征基础上进行进一步的特征抽取，抽取出具有较强判别能力的特征。实验结果表明，整合了MLBP和DSLDA的方法在被测试的两个人脸库上都取得了很好的识别结果。
(2)提出了一种特征选择框架Bagginged AdaBoost来解决AdaBoost特征选择器中的过配与类别不均衡问题。实验结果表明，Bagginged AdaBoost能够训练得到一个具有很好泛化能力的集成分类器，该分类器集成的成员分类器之间差异度大而且互补。Bagginged AdaBoost不管是用作分类器还是特征选择器，都取得了很好的识别性能。
(3)提出了一种基于贝叶斯决策理论的实AdaBoost特征选择方法Bayesian Boosting，用来解决其他实AdaBoost中的数值计算不稳定性问题和计算复杂问题。实验结果表明，Bayesian Boosting不但计算简单，而且选择的特征具有更好的判别能力。
(4)提出了一种基于共享特征的特征选择框架JointBoosting，来解决人脸图像来源的多样性问题。实验结果表明，利用JointBoosting选择的特征非常鲁棒，只需要在合成人脸库上训练，然后选择出来的特征可以推广到其他人脸库，具有很好的泛化能力。
(5)提出了基于多特征空间的多光照方向人脸识别方法。多特征空间方法通过将外部成像条件引起的表象变化与不同人脸引起的表象变化区分开来处理，可以抽取出更有判别能力的特征。实验结果表明，本文提出的基于多特征空间的方法都取得了很好的识别性能。