1、人臉檢測(cè)和識(shí)別的研究目的是使計(jì)算機(jī)具有類似人類的臉像識(shí)別能力.它在身份鑒別、人機(jī)交互、圖像檢索和視覺(jué)監(jiān)控等眾多領(lǐng)域有著重要的應(yīng)用.盡管近三十年里,人臉檢測(cè)和識(shí)別受到了國(guó)內(nèi)外學(xué)術(shù)界和企業(yè)界的廣泛關(guān)注,但作為模式識(shí)別和計(jì)算機(jī)視覺(jué)領(lǐng)域中的一個(gè)研究熱點(diǎn)和難點(diǎn),人臉檢測(cè)和識(shí)別仍有很多理論與技術(shù)問(wèn)題需待解決.有鑒于此,該文圍繞靜態(tài)圖像中的人臉檢測(cè)和識(shí)別研究中存在的一些重要問(wèn)題開(kāi)展了深入研究,主要工作可以歸納如下:(1)完整地研究了基于擴(kuò)展的Harr

2、特征與Adaboost分類學(xué)習(xí)算法的實(shí)時(shí)在線檢測(cè)技術(shù),成功地實(shí)現(xiàn)了整個(gè)人臉檢測(cè)系統(tǒng).(2)針對(duì)小樣本情況下LDA出現(xiàn)的問(wèn)題,進(jìn)行零空間(null space)的分析,提出零空間線性判別分析(NLDA)方法,實(shí)驗(yàn)證明NLDA是小樣本情況下LDA最好的擴(kuò)展.(3)結(jié)合零空間方法與核Fisher判別分析,提出新的非線性人臉識(shí)別方法:基于零空間的核Fisher判別分析(Null Space-based Kernel Fisher Discrim

3、inant Analysis or NKFDA).NKFDA方法用Cosine核函數(shù)來(lái)代替多項(xiàng)式核函數(shù),基于最小的重構(gòu)誤差構(gòu)造核映射和核樣本集,在核樣本集上執(zhí)行簡(jiǎn)化了的NLDA算法,最后輸出一個(gè)全局的非線性維數(shù)降低映射.NKFDA方法僅僅執(zhí)行一次特征分解,實(shí)驗(yàn)證明在訓(xùn)練樣本數(shù)量很多(大于300個(gè))的情況下,提出的NKFDA在識(shí)別率上優(yōu)于典型的LDA方法.(4)利用虛擬樣本這一重要思想,提出了一個(gè)新的分類方法:最近類內(nèi)空間(nearest

4、 intra-class space or NICS).每類的人臉模式分布由類內(nèi)空間(intra-class space or ICS)表示和描述,它捕捉和覆蓋各式各樣的類內(nèi)變化,所有的虛擬樣本都在類內(nèi)空間被創(chuàng)建;然后基于子空間方法定義了兩個(gè)距離量度:子空間外距離(distance-from-subspace)和子空間內(nèi)距離(distance-in-subspace),二者的加權(quán)就是測(cè)試樣本到類內(nèi)空間的距離量表,分類規(guī)則將基于最短的加權(quán)

5、距離判定.(5)使用流形學(xué)習(xí)技術(shù)(manifold learning)建立虛擬的局部流形結(jié)構(gòu),以局部流形為單位提出新的分類方法:局部流形匹配(local manifold matching or LMM).LMM方法假設(shè)每個(gè)特征點(diǎn)和它的近鄰存在于一個(gè)虛擬的線性局部流形中,使用局部流形學(xué)習(xí)技術(shù)于虛擬的流形結(jié)構(gòu),學(xué)習(xí)出所有的局部流形;然后定義測(cè)試樣本到局部流形的距離量度,最匹配的局部流形將基于最短的流形距離量度判定,最后將測(cè)試樣本分類到最匹