[工学]人脸识别 赖剑煌.ppt

中山大学 模式识别的数学建模方法及其应用 模式识别 诞生于20世纪20年代，20世纪60年代迅速发展，交叉学科。 统计模式识别，属于统计理论研究的范畴。 基于贝叶斯决策理论。 无监督学习：PCA、k-means、Competitive Learning、LPP、…… 有监督学习：Fisher方法 / LDA、SVM、…… 发展趋势： 非线性：核分析方法 低维刻画：流形学习、稀疏表达 如何抓住科学问题，进行数学建模 基于LDA的建模方法 1938年，R.A. Fisher提出方法的衍生； 模式分类特征提取的基本思想：找一个数学变换，使得投影后同类样本的特征分布仅可能紧密，不同类样本的特征分布尽可能远离。 基于LDA的建模方法 解决小样本问题的方法： P. N. Belhumeur (1997), Fisherfaces （PCA+LDA）; W. Zhao, R. Chellappa(1999); DQ Dai,PC Yuen(2003):R-LDA; H.Yu and J, Yang (2001): direct LDA; R. Huang等（2002）：N-LDA ; J. Yang等（2005）：2D LDA ; 基于LDA的建模方法 我们小组的三个工作： GA-Fisher: IEEE Trans. On SMC (Part B), 2005 1D-LDA versus 2D-LDA: Pattern Recognition, 2008 Perturbation LDA : Pattern Recognition, 2009 基于贝叶斯决策理论 基于贝叶斯决策理论与Fisher判别准则的关系 着眼于每类样本中心估计问题展开研究； 如果每类样本中心估计是基于最大似然法则，在数据的维数很高而可供训练的样本数很少的情况下，那么每类中心的估计值与期望值之间必定存在扰动 ； Perturbation LDA 假设有L类，训练样本集为 第y类的期望为 要估计 样本存在扰动 这时均值与真实期望存在差距： 化简和求解： 结果： 与R-LDA的关系： R-LDA： 结果： 问题 目标： 对1D-LDA 与 2D-LDA 哪种方法鉴别能力更好的问题给出答案，需要哪些条件。 研究现状 2004年以来，许多相关研究都指出2D-LDA的鉴别能力比1D-LDA的鉴别能力好，但是缺乏系统理论的分析和实验比较。 研究难点 论文的实验结果发现，大多数情况下1D-LDA 的识别率高于2D-LDA，但如何从理论上给出合理的解释。 如何发现两种形式LDA之间的联系以及达到Bayes最优特征的不同条件。 主要结果： 2D-LDA的异方差问题比1D-LDA严重； 2D-LDA丢失了1D-LDA所具有的列间的协方差信息； 1D-LDA在下面情况下优于2D-LDA： 给出了2D-LDA达到贝叶斯最优的条件： 基于核分析的非线性建模方法 人脸识别方法研究的挑战性问题是光照、姿势、低分辨率和年龄等。 FRVT2006测试结果: 科学问题 人脸的光照、姿势问题可以归结为非线性问题。 1) PCA，LDA线性分析的工具； 2）利用核分析技术可以将非线性数据线性化。 例如： Choosing Parameters of Kernel Subspace-LDA for Recognition of Face Images under Pose and Illumination Variations, IEEE Transactions on SMC (Part B), 2007. A Two-step General Framework Laplacian Penalty, Ridge Penalty, Weakly-Supervised Penalty Laplacian Penalty, Ridge Penalty, Weakly-Supervised Penalty 结果 Facial Expression Normalization 结果 Face Image Denoising 结果 Reconstruction of Occluded Face Images 结果 Normalization of Illuminated Face Images 基于图像分解的人脸光照归一化 人脸光照处理方法 1）人脸光照归一化：商图像（QI）、SFS； 2）人脸光照不变特征提取方