摘要众所周知,从方向,光照和面部表情等可察觉的变化出发,人脸图像的分布,是高度线性化和复杂的。因此,某些线性技术,如那些基于主成分分析法(PCA)或线性判别分析(LDA)针对人脸识别中的复杂的人脸变化问题 ,不能提供可靠且鲁棒的解决方案并不奇怪。在本文中,我们提出了基于判别分析方法的核机器学习方法,它可以解决人脸模式分布中的非线性问题。该方法也同样可以有效地解决存在于大部分人脸识别问题中的所谓的“小样本” (SSS)问题。结果表明,我们所提出的算法在利用少部分的特征集时就可以获得很好的性能,其错误率低KPCA和FLDA这两种常用方法。65019
毕业论文关键词 核函数 线性判别分析 核Fisher判别分析方法
毕业设计说明书(论文)外文摘要
Title Kernel linear discriminant analysis method applied in face recognition
Abstract It is well known that the distribution of face images, under a perceivable variation in viewpoint, illumination or facial expression, is highly
nonlinear and complex. It is, therefore, not surprising that linear
techniques, such as those based on principle component analysis (PCA) or linear discriminant analysis (LDA), cannot provide reliable and robust solutions to those FR problems with complex face variations. In this paper, we propose a kernel machine-based discriminant analysis method, which deals with the nonlinearity of the face patterns’ distribution. The proposed method also effectively solves the so-called “small sample size” (SSS) problem,which exists in most FR tasks. The results show that, our proposed algorithm used in a small part of the feature set when you can get good performance, the low rate of error KPCA and FLDA these two kinds of commonly used methods.
Keywords: kernel function LDA KFDA
目 次
1 绪论 2
1.1 人脸识别的研究内容 2
1.1.1 人脸表征(FaceRepresentation) 2
1.1.2 人脸检测(FaceDetection) 2
1.1.3 人脸鉴别(FaceIdentification) 2
1.1.4 表情分析(FacialExpressionAnalysis) 3
1.1.5 物理分类(PhysicalClassification) 3
1.2 目前的研究水平、存在问题及可能的原因 4
1.2.1 特征脸 8
1.2.2 LDA方法 9
2 计算机人脸识别技术 9
2.1 基于整体特征人脸的识别方法 9
2.1.1 主元分析(PCA)人脸识别法 9
2.1.2 基于线性判别分析人脸识别方法 10
2.1.3 计算机识别技术评价 10
2.2 基于部件特征的人脸识别方法 11
2.3 人脸图像有效鉴别的特征抽取 12
2.3.1 小样本问题 12
2.3.2 有效最佳鉴别特征抽取方法