非迭代三维线性判别分析及其在人脸识别 中的应用-统计学(理学)专业论文.docxVIP

摘要 摘要 万方数据 万方数据 摘 要 随着人脸识别技术的不断发展与更新，基于二维图像本身信息量的限制，二 维人脸识别技术的识别率很难再有大幅度的提高。越来越多的学者开始研究人 脸表面原始几何信息更丰富的三维人脸图像，三维人脸图像与传统的二维灰度 人脸图像相比更接近客观事实。传统的对于三维数据的人脸识别做法是，将三维 空间数据按照某一个维度展开拉伸为一个超高维的矩阵数据，然后对新形成的 矩阵数据进行经典的二维人脸识别方法，甚至还有对拉伸后的矩阵数据再次拉 伸为一维向量数据，然后进行线性判别分析(LDA)或主成分分析(PCA)，这样做 很明显破坏了原来的数据结构，而且造成了超高维的“维数灾难”，严重影响了 人脸识别的运算效率和识别率。 本文从二维人脸数据库出发，通过二维 Gabor 小波变换还原人脸更多的面部 特征信息，将二维人脸提取面部特征信息转化为三维人脸数据库。结合张量展开 的思想，提出了一种三维线性判别分析(3DLDA)的降维方法。该方法分别按照三 维数组的三个维度依次在每个维度上分别进行线性判别分析降维。将降维后得 到的数组经过最近邻分类器进行人脸识别。本文首先将三维线性判别分析方法 与传统一维、二维识别方法分别应用在 ORL、Yale、PIE 和 FERET 四种人脸数 据库和美国邮政手写数据集 USPS 中，得到三维线性判别分析方法的识别率高于 传统的一维、二维方法