1、人臉識(shí)別是模式識(shí)別、圖象處理和人工智能領(lǐng)域最具挑戰(zhàn)性的研究方向之一。廣義上，人臉識(shí)別包括三個(gè)主要技術(shù)環(huán)節(jié)，即預(yù)處理、人臉特征提取和分類器設(shè)計(jì)。人臉特征提取又稱為人臉表述，是在低維特征空間內(nèi)對(duì)原高維空間的人臉模式進(jìn)行描述、建模，目的是提取出有利于分類的低維特征。特征提取是人臉識(shí)別的關(guān)鍵環(huán)節(jié)，有效的人臉特征提取方法不僅有助于簡(jiǎn)化后續(xù)的分類器設(shè)計(jì)，而且能夠提高識(shí)別率。但是由于人臉模式的復(fù)雜性和多變性，在視角、光照和表情等條件變化下人臉圖象的類

2、內(nèi)離散度遠(yuǎn)大于類間離散度，導(dǎo)致很難有效地提取分類特征。因此，人臉特征提取也是人臉識(shí)別的主要難點(diǎn)所在，注重魯棒性同時(shí)兼顧效率的人臉特征提取技術(shù)一直是研究的熱點(diǎn)。 本文主要針對(duì)人臉特征提取技術(shù)進(jìn)行研究，研究的重點(diǎn)是基于整體的人臉表述方法，目的是進(jìn)一步提高人臉特征提取和識(shí)別算法的魯棒性及有效性。為此，首先介紹了現(xiàn)有的人臉表述方法；隨后，結(jié)合人臉模式的特點(diǎn)，探討了幾種非監(jiān)督的人臉表述方法；最后，研究了基于判別分析的監(jiān)督方法在人臉表述中的

3、應(yīng)用。 具體來(lái)說(shuō)，本文的主要?jiǎng)?chuàng)新性成果有： (1)提出了結(jié)合人臉全局信息和局部(器官)信息的人臉組合特征提取方法，并研究了幾種相似性度量下組合特征的分類性能。該方法在DCT整體特征的基礎(chǔ)上，增強(qiáng)了臉部重要器官(眼和鼻)的信息，能夠有效地描述人臉模式。實(shí)驗(yàn)結(jié)果表明，該方法優(yōu)于傳統(tǒng)的PCA和DCT方法，并且對(duì)分類度量相對(duì)不敏感。此外，相比于PCA方法，組合特征方法具有更好的計(jì)算性能。為了快速有效地定位臉部器官，提出了一種基于

4、幾何投影和模板匹配相結(jié)合的人臉特征點(diǎn)定位算法。該方法綜合了投影法和模板匹配法的優(yōu)點(diǎn)，既有較高的定位精度和計(jì)算速度，同時(shí)對(duì)光照、視角的變化有很好的魯棒性。 (2)提出了基于函數(shù)替代的非線性獨(dú)立元分析法(FR-ICA)。該方法通過(guò)定義非線性映射將樣本從輸入空間映射到低維空間，然后在此空間內(nèi)進(jìn)行ICA變換。在采用同樣核函數(shù)的情況下，該算法提取的特征與KICA算法提取的特征有著相近的分類性能，但本文方法可任意選用核函數(shù)，不需要其滿足Me

5、rcy條件。 (3)研究了基于局部灰度分析的人臉表述方法。在局域二值模式(LocalBinaryPattern，LBP)表述符基礎(chǔ)上，結(jié)合人臉圖象的特點(diǎn)，提出了一種基于多分辨率ILBP(improved-LBP，ILBP)直方圖的人臉表述方法。與常用的基于Gabor小波的方法相比，本文方法識(shí)別率相當(dāng)且計(jì)算量較小。 (4)結(jié)合人臉模式的特點(diǎn)，系統(tǒng)地研究了基于判別分析的人臉特征提取方法。在此基礎(chǔ)上，提出了兩種改進(jìn)的LDA算法

6、，即直接加權(quán)LDA(DW-LDA)和改進(jìn)LDA(I-LDA)。DW-LDA的基本思想是使用不損失重要判別信息的方法來(lái)降維，同時(shí)在傳統(tǒng)的Fisher準(zhǔn)則中引入加權(quán)函數(shù)得到與分類率直接相關(guān)的改進(jìn)準(zhǔn)則，能夠有效地處理小樣本問(wèn)題及傳統(tǒng)的Fisher準(zhǔn)則在多類情況下非最優(yōu)問(wèn)題。I-LDA是DW-LDA的增強(qiáng)版本，主要是利用同時(shí)對(duì)角化技術(shù)來(lái)提高算法的泛化性能。提出了兩種基于核的判別分析算法，即基于QR分解的核判別分析(QR-KDA)和基于核的改進(jìn)判