基于Ｆｉｓｈｅｒ线性鉴别分析的人脸识别方法研究.doc

基于Ｆｉｓｈｅｒ线性鉴别分析的人脸识别方法研究 　　摘要：人脸识别技术是计算机模式识别领域非常活跃的研究课题，在法律、商业等领域有着广泛的应用背景。由于人脸图像的特殊性，人脸识别问题也是模式识别领域一个相当困难的问题，要使这一技术趋于成熟还有许多工作需要做。 　　本文阐述了Fisher线性鉴别分析算法及其实现，同时针对其鉴别空间的统计相关性，提出改进措施。 　　关键词：Fisher线性鉴别；特征子空间；正交鉴别分量 　　中图分类号：TP391文献标识码：A文章编号：1009-3044(2008)04-11694-05 　　 　　The Technology of Face Recognition Based on Fisher Linear Discrimination Analysis 　　LIU Chang-hua 　　(Anhui Broadcasting Movie and Television College, Hefei 230022, China) 　　Abstract: The technology of face recognition is an active subject in the area of pattern recognition, which has broad applications in the fields of law, business etc. For the particularity of the face image, face recognition is also a very difficult problem in the field of pattern recognition. To make the technology tend to maturity, there is still much work left to do. 　　 The methods to preprocess Fisher Linear Discrimination Analysis, An improvement measure, which is aimed on the statistical correlation of the discrimination space, is proposed. 　　Key words: Fisher Linear Discrimination Analysis; Eigen Subspace; orthogonal discrimination vectors 　　 　　1 引言 　　 　　线性判别函数是统计模式识别的常用的方法之一。它的基本思想是利用样本集直接设计分类器，它首先假设判别函数g(x)是x的线性函数，即g(x)=wT+w0，对于C类问题可以定义为C个判别函数，gi(x)=wiT+wi0，i=1，2，…，C用样本去估计wi和wi0，并把未知样本归到具有最大判别函数的类别中，一个基本的考虑是针对不同的情况，提出不同的设计要求，是分类器尽可能好地满足这些需求。当然，要求不同，设计结果也将各异。这说明“尽可能好”是相对于设计要求而言的。这种设计要求，在数学上往往表现为某个特定的函数形式，称之为准则函数，“尽可能好”的结果相应与准则函数取最优值。这实际上将分类器的设计问题转化为求准则函数极值问题了。 　　对解决人脸识别问题来说，线性判别分析分类器是一个很好的选择。一般所采用的线性判别分析函数是Fisher线性判别函数，也称为FDA (Fisher Discriminant Analysis)。它首先由R.A.Fisher于1936年提出，不过直到近些年才被应用到人脸识别中。在模式识别领域，Fisher线性判别方法有着重大的影响，其基本思想就是在Fisher判别准则函数取得极值的条件下，求得一个最佳判别方向，然后再将模式高维特征向量投影到该最佳判别方向上，构成一个一维的判别特征空间。于是模式识别可以在一维空间中进行。 　　 　　2 Fisher线性鉴别 　　 　　2.1 Fisher线性鉴别原理 　　Fisher线性鉴别考虑把d维空间的样本投影到一条直线上，即形成一维空间，那么即使样本在d维空间形成若干紧凑的互相分得开的集群，如果把它投影到一条直线上，就可能使几类样本混在一起而无法识别，在一般情况下，总可以找到某个方向，使样本投影到这条直线后分开的最好，寻找这条投影线正是Fisher要解决的问题。 　　在w1/w2两类问题中，假设有N个训练样本xi(i=1,2,...,N)，其中N1个来自于类型w1，N2个来自类型w2，两个类型w1,w2的训练样本分别构成训练样本的子集X1,X2，令