1、本文主要從統(tǒng)計(jì)模式識(shí)別的角度出發(fā)，來(lái)研究人臉圖像的特征提取問(wèn)題。本文分析并比較了5種人臉識(shí)別技術(shù)：基于表征的PCA特征臉識(shí)別方法、基于辨別特征的LDA識(shí)別方法、基于奇異值特征向量的識(shí)別方法、基于Gabor變換特征的識(shí)別方法和貝葉斯識(shí)別方法。 在基于表征的PCA特征臉識(shí)別方面，首先分析了KL變換，了解其重建性能，也分析了人臉周?chē)綄傥飳?duì)識(shí)別性能的影響。在幾個(gè)標(biāo)準(zhǔn)人臉庫(kù)上(包括ORL,Yale和Manchester人臉庫(kù))的實(shí)驗(yàn)取得

2、了較好的效果。在這個(gè)基礎(chǔ)上，研究了類(lèi)均值臉的識(shí)別性能，無(wú)論是數(shù)值計(jì)算還是識(shí)別性能，都具有較好的穩(wěn)定性。并且發(fā)現(xiàn)均值PCA可以用較少的特征達(dá)到傳統(tǒng)PCA的水平。PCA是經(jīng)典的圖像處理方法，它并不是專門(mén)用于識(shí)別分類(lèi)的。作為模式識(shí)別中的經(jīng)典方法，F(xiàn)isher準(zhǔn)則使類(lèi)內(nèi)散布Sw最小，而類(lèi)間散布Sb最大，可以將原來(lái)的多個(gè)模式在新的空間中最好的分開(kāi)。但是一般情況下，不能直接將Fisher引入人臉識(shí)別，因?yàn)槠浯嬖谛颖締?wèn)題。用兩種方法來(lái)解決：第一個(gè)解

3、決方案是先將數(shù)據(jù)在PCA空間上降維，在降維后的空間上直接運(yùn)用Fisher方法。另一個(gè)方法就是先求得Sw的零空間，分析這個(gè)零空間以得到投影矩陣。由于Fisher辨識(shí)空間一般是非正交的，特征信息之間有冗余。通過(guò)Gram-Schmidt正交化法則求得一個(gè)正交的辨識(shí)空間，試驗(yàn)表明，基于Fisher辨識(shí)的方法能比傳統(tǒng)PCA獲得更好的效果。 在人臉識(shí)別中，最重要的是提取出對(duì)識(shí)別最有用的信息，由于Gabor函數(shù)和人眼識(shí)別特性的相似性，Gabo

4、r變換被應(yīng)用到人臉識(shí)別中來(lái)。本文首先回顧了Gabor小波編碼的一些問(wèn)題，然后探討了空頻域采樣的情況。認(rèn)為不同頻帶的辨別信息是不同的，低頻分量中較豐富，而高頻分量中較少?；谶@種考慮，提出一種非均勻的采樣模式，識(shí)別結(jié)果證明了這種模式的優(yōu)越性。 奇異值特征向量由于具有很好的代數(shù)和幾何不變性，它也可以作為一個(gè)很好的分類(lèi)特征。用圖像的奇異值特征向量來(lái)代替它的像素表示，在特征值向量上運(yùn)用PCA和LDA識(shí)別方法，獲得了比在像素級(jí)別上識(shí)別更好