二维非线性鉴别分析及人脸识别.pdfVIP

第22卷第2期 常熟理工学院学报 (自然科学) V01．22No．2 2008年 2月 Feb．，2008 JournalofChangshuInstituteofTechnology(NaturalSciences) 二维非线性鉴别分析及人脸识别 刘永俊 ，宋东兴 ，何世明 ，陈才扣 (1．常熟理工学院计算机科学与工程学院江苏 常熟 215500， 2．扬州大学 信息工程学院江苏 扬州 225009) 摘 要：二维最大散度差线性鉴别分析方法不仅有效地避免了在人脸识别中传统的Fisher线性鉴 别分析通常存在的 “小样本问题”，而且使其特征抽取的速度有 了大幅度的提高．本文通过引入著 名的 “核技巧”，将二维最大散度差线性鉴别分析扩展到非线性空间，提 出了一种新的二维核最大 散度差鉴别分析方法．该方法不仅抽取了图像 中更加有效的非线性鉴别特征，使正确识别率显著提 高，而且为二维非线性鉴别分析提供 了一个统一的构架．最后在AR标准人脸库 中的实验结果验证 了本文算法的有效性． 关键词：二维最大散度差鉴别分析 ；核方法；二维核最大散度差鉴别分析 ；人脸识别 中图分类号：TP391．41 文献标识码 ：A 文章编号：1008—2794(2008)02—0099一O5 1 引 言 Fisher线性鉴别分析(FLDA)¨所抽取的特征具有 良好的可分性，已被公认为模式识别中最为重要的特 征抽取方法之一．近年来，该方法在模式识别领域得到了广泛地应用和扩展 -4]，Et前仍然广泛地应用于人 脸等图像识别领域．最近，宋枫溪等 刘永俊等 提出了一种新的最大散度差鉴别准则，从理论上消除了 Fisher鉴别准则中存在的因类内散布矩阵奇异而无法直接求解最优投影轴的问题(小样本问题)，使线性鉴 别分析的鉴别准则更加完善．之后，陈才扣等 又将图像投影理论 应用于最大散度差鉴别分析中，提出 了二维最大散度差线性鉴别分析 (2DMSLDA)，使特征抽取的速度得到大幅度的提高． 但是以上各种线性鉴别分析的构架都是基于线性投影的特征抽取方法，最终抽取得到的是线性特征．然 而现实中许多问题都是非线性可分的，例如人脸识别问题中，由于光照、姿态、表情、年龄等变化而引起的人 脸图像的差异，通常造成人脸图像的分布是非线性的和复杂的．所以这些线性鉴别分析方法在处理类似人脸 等图像识别任务时并不能取得令人满意的效果， 本文从二维线性鉴别分析的本质人手，通过引入著名的核方法重新构造核样本矩阵，提出了一种新的二 维核最大散度差鉴别分析方法．同时也为将二维图像投影理论推广到非线性空间提供了一种有效的途径． 收稿 日期 ：2008一O1一O5 基金项 目：江苏省高校自然科学基金(05KJB520152)资助项目． 作者简介：刘永俊(1981一)，男，山东青岛人，常熟理工学院计算机科学与工程学院助教，硕士，主要研究方向：模式识别 陈才扣 (1967一)，男 ，江苏姜堰人，扬州大学信息工程学院副教授，博士，主要研究方向：模式识别． 1OO 常熟理工学院学报 (自然科学) 2008正 2 二维核最大散度差鉴别分析 2．1 基本思想与理论 虽然作为有效的线性鉴别分析方法之一的二维最大散度差线性鉴别分析，使特征抽取的速度大幅度提 高，但是在处理人脸等存在大量非线性变化的图像时，由于通常存在非线性可分问题，所以识别效果往往差 强人意．近几年，支持向量机中核方法在模式识别中的广泛应用 ”J，为我们抽取图像中的非线性鉴别特征 提供了很好的思路．但 目前核方法通常应用于一维向量空间中，为此，下面以二维核最大散度差鉴别分析为 例，建立一种从二维图像矩阵中直接应用核方法抽取非线性鉴别特征的架构． 将第 i类的第 个训练样本图像为 m×n的矩阵A(i=1，2，…，C，=1，2，…，ⅣI)写为如下形式：