《基于 lda 的人脸图像分析》由会员分享，可在线阅读，更多相关《基于 lda 的人脸图像分析（60页珍藏版）》请在金锄头文库上搜索。
1、 题题（中、英文）（中、英文）目目 基于基于 LDA 的人脸图像分析的人脸图像分析 Face Image Analysis Based on LDA 作者姓名作者姓名 裴永鹏 指导教师姓名指导教师姓名、 职务职务 蒋明、高级工程师 学科门类学科门类 工学 提交论文日期提交论文日期 二一二年一月 学科、专业学科、专业 计算机应用技术 代号代号 分 类 号分 类 号 学号学号 密级密级 10701 TP391 公开公开 0922121495 西安电子科技大学西安电子科技大学 学位论文独创性（或创新性）声明学位论文独创性（或创新性）声明 秉承学校严谨的学风和优良的科学道德，本人声明所呈交的论文是我个
2、人在导师指导下进 行的研究工作及取得的研究成果。尽我所知，除了文中特别加以标注和致谢中所罗列的内容 以外，论文中不包含其他人已经发表或撰写过的研究成果；也不包含为获得西安电子科技大 学或其它教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何 贡献均已在论文中做了明确的说明并表示了谢意。 申请学位论文与资料若有不实之处，本人承担一切的法律责任。 本人签名： 日期： 西安西安电子科技大学电子科技大学 关于论文使用授权的说明关于论文使用授权的说明 本人完全了解西安电子科技大学有关保留和使用学位论文的规定，即：研究生在校攻读学 位期间论文工作的知识产权单位属西安电子科技大学。学校
3、有权保留送交论文的复印件，允 许查阅和借阅论文；学校可以公布论文的全部或部分内容，可以允许采用影印、缩印或其它 复制手段保存论文。同时本人保证，毕业后结合学位论文研究课题再撰写的文章一律署名单 位为西安电子科技大学。 （保密的论文在解密后遵守此规定） 本学位论文属于保密，在 年解密后适用本授权书。 本人签名： 导师签名： 日期： 日期： 摘要 摘要摘要 人脸识别的研究开始于上世纪 70 年代，经过几十年的发展，已有大量的算法 涌现出来。在众多人脸识别算法中，基于表观的方法是最优秀的方法之一。而线 性鉴别分析(Linear Discriminant Analysis LDA)和主成分分析(Pri
4、ncipal Component Analysis PCA)是基于表观的方法中最重要的两种特征提取与降维技术。从分类的 角度看，基于 LDA 的算法比基于 PCA 的算法表现要好些。 PCA 算法提取出来的主分量主要代表了整体数据差异最大的方向，但这些投 影方向并非是最具鉴别性的。由此，本文提出了一种新的算法，通过赋予 PCA 的 主分量以鉴别权重并通过权重大小来选取最具鉴别性的主分量。其中，鉴别权重 通过线性鉴别分析算法得出。在样本类之间差别微小，传统 PCA 无法对其进行鉴 别时，在 FERET 人脸数据库上的实验证明了本文所提出的算法可以用更少的线性 特征实现更高的识别率。 最近，Loo
5、g 等人提出了一个观点，说传统的 LDA 算法所优化的鉴别准则方程 并不能给出很好的鉴别精度，原因是计算所得的投影方向过多的受到原始空间中 已经得到很好划分的样本的影响，从而使其他类别在投影结果中出现不必要的重 叠。并且 LDA 作为一个线性的算法不能够很好的描述像光照、表情变换和姿态变 化等复杂的变化。为了克服以上两个问题，本文提出了一种新的基于核的相关加 权的线性鉴别分析方法。该方法有如下两个优点：第一，引入了一个权方程，克 服了原样本中本来已经得到良好区分的样本对整个鉴别结果有过大影响的问题， 从而更加适合在现实情况下使用；第二，运用核理论，使算法可以很好的处理非 线性问题。本文做了多个
6、人脸识别的实验，将本文所提出的方法与其他一些降维 的人脸识别算法进行了对比，本文的算法总能给出更好的表现。 关键字：人脸识别关键字：人脸识别 加权主分量加权主分量 核鉴别分析核鉴别分析 RW-LDA KRW-LDA Abstract Abstract Face recognition research started in the late 70s and a number of algorithms/systems have been developed in the last decades. Among various algorithms, appearance-based appro
7、ach is one of the promising approaches in face recognition. Linear Discriminant Analysis (LDA) and Principal Component Analysis (PCA) are two most popular feature extraction and dimension reduction techniques used in the appearance-based approach. From classifi cation point of view, generally, LDA-b
8、ased algorithms perform better than that of PCA-based algorithms. PCA explains the covariance structure of all the data the most important expressive component, but the first principal component does not necessarily represent the most important discriminant direction to separate sample groups. In th
9、is thesis, a new method is proposed to select principal components according to discriminant weights given by Fishers linear discriminant analysis (LDA).In situations where the differences between the sample groups are subtle and difficult for the traditional PCA selection method. The experimental r
10、esults in FERET database have shown the new method can get higher recognition rates using less linear features. Recently Long et al have shown that the reparability criterion that the classical LDA optimize is not necessarily representative of classification accuracy and the resulting projection wil
11、l preserve the distances of already well-separated classes while causing unnecessarily overlap of neighboring classes. And as a linear dimensionality reduction method, classical LDA is inadequate to describe the complex variation of the face images such as illumination, facial expression and pose va
12、riations. In this thesis, we propose a new kernel discriminant analysis called kernel relevance weighted discriminant analysis (KRW-LDA) which has two interesting characteristics. First, by incorporating a weighting function into discriminant criterion, it overcomes overemphasis on well-separated cl
13、asses and hence can work under more realistic situations. Second, using kernel theory, it handles nonlinearity effi ciently. We have performed multiple face recognition experiments to compare KRW-LDA with other dimensionality reduction methods showing that KRW-LDA consistently gives the best results
14、. Keyword：Face Recognition Weighted PCA KDA RW-LDA KRW-LDA 目录 目录目录 第一章第一章 绪论绪论 1 1 1.1 人脸识别的研究背景及意义 1 1.2 人脸识别的发展历史及国内外现状 1 1.2.1 人脸识别的发展历史 1 1.2.2 人脸识别的国内外现状 5 1.3 人脸识别系统概述及其存在的难题 7 1.3.1 人脸识别系统概述 7 1.3.2 人脸识别存在的难题 8 1.3.3 人脸识别性能的主要测评指标 . 10 1.4 主要人脸数据库简介 . 10 1.5 本文的工作简介 . 12 第二章第二章 基于线性子空间的人脸识别基于
15、线性子空间的人脸识别 1515 2.1 特征脸（Eigenfaces）方法 15 2.1.1 K-L 变换 . 15 2.1.2 基于 PCA 的特征脸人脸识别方法 . 17 2.2 Fisherfaces 方法 . 18 2.2.1 Fisher 线性鉴别分析 19 2.2.2 PCA+LDA 的 Fisherfaces 人脸识别方法 . 22 2.3 本章小结 . 24 第三章第三章 基于加权基于加权 PCAPCA 的人脸表情识别的人脸表情识别 2525 3.1 传统的 PCA 和 LDA 在人脸表情识别上的问题与不足 . 25 3.2 基于加权 PCA 的人脸表情识别 . 27 3.3
16、实验结果及分析 . 28 第四章第四章 基于核的相关加权的基于核的相关加权的 LDALDA 人脸识别人脸识别 3131 4.1 相关加权的 LDA . 31 4.2 基于核的 LDA . 33 4.2.1 核方法的基本原理 . 33 4.2.2 基于核的 LDA 35 4.3 基于核的相关加权的 LDA 人脸识别 . 37 4.4 实验结果及分析 . 38 4.4.1 ORL 人脸数据库 39 4.4.2 扩展 Yale 人脸数据库 B（Extended Yale Face database B） 40 第五章第五章 总结与展望总结与展望 4343 5.1 工作总结 . 43 5.2 工作展望 . 44 致谢致谢 4545 参考文献参考文献 4747 第一章 绪论 1 第一章第一章 绪论绪论 1.1 人脸识别的研究背景及意义 信息技术经过这么多年的发展，计算机的应用已扩展到了几乎所有的领域。特 别是人脸识别技术，不仅应用到了更多的领域，而且在应用中对其识别精确性的 要求也越来越
