1、特征抽取是模式識(shí)別研究的最基本的問(wèn)題之一.無(wú)論是人臉識(shí)別還是字符識(shí)別,抽取有效的鑒別特征是解決問(wèn)題的關(guān)鍵.核投影分析,包括核主分量分析(KPCA)和核Fisher鑒別分析(KFDA),是最近剛剛提出的非常有效的非線性特征抽取方法.該文一方面對(duì)核投影分析的內(nèi)涵從理論上進(jìn)行了補(bǔ)充,另一方面對(duì)核投影分析的有關(guān)算法進(jìn)行了較為深入的研究,所提出的算法在人臉識(shí)別和字符識(shí)別方面得到了較成功的應(yīng)用.Foley-Sammon線性鑒別分析(FSDA)是抽取

2、線性特征的有效方法之一.在此基礎(chǔ)上,該文借鑒核Fisher鑒別分析的實(shí)現(xiàn)思想,提出了一種核Foley-Sammon鑒別分析(核F-S鑒別分析,KFSDA)方法,首先建立KFSDA的兩個(gè)等價(jià)模型,并分析這兩個(gè)等價(jià)模型的解之間的關(guān)系,然后從理論上給出KFSDA模型的具體求解方法.該文利用核技術(shù)把廣義最佳鑒別矢量集進(jìn)行非線性推廣,提出一個(gè)全新的概念一廣義最佳核鑒別矢量集,建立廣義最佳核鑒別矢量集的求解模型,從理論上給出廣義最佳核鑒別矢量集的具

3、體求解方法.核Fisher鑒別分析(KFDA)已成為抽取非線性特征的最有效方法之一.但是,無(wú)論訓(xùn)練樣本的數(shù)目多少、維數(shù)高低,總面臨一個(gè)奇異性問(wèn)題,對(duì)此在現(xiàn)有的KFDA算法中還沒(méi)有得到很好的解決.在該文中我們提出了一種最優(yōu)的核Fisher鑒別分析(OKFDA)方法,從理論上巧妙地解決了奇異情況下最優(yōu)核鑒別矢量集的求解問(wèn)題.OKFDA基本思路為把最優(yōu)核鑒別矢量分為兩類,首先優(yōu)先在核類內(nèi)散布矩陣的零空間內(nèi)選擇使核類間散布量最大的一組標(biāo)準(zhǔn)正交的

4、特征矢量,即為第一類最優(yōu)核鑒別矢量,然后在核類內(nèi)散布矩陣的非零空間內(nèi)選擇使核Fisher鑒別準(zhǔn)則達(dá)到最大的一組標(biāo)準(zhǔn)的特征矢量,即為第二類最優(yōu)核鑒別矢量,這樣我們就得到了最優(yōu)核鑒別矢量集,從而相應(yīng)地抽取出原始樣本的非線性最優(yōu)鑒別特征(共兩類).在FERET人臉庫(kù)的子庫(kù)上的實(shí)驗(yàn)結(jié)果驗(yàn)證了OKFDA方法的有效性.獨(dú)立分量分析以其獨(dú)特的性質(zhì)在人臉識(shí)別中發(fā)揮著重要的作用.但是我們知道即便使用快速的ICA算法(FastICA)來(lái)抽取人臉圖象特征都存

5、在著運(yùn)算量大、耗時(shí)多等問(wèn)題,為此該文提出了一種新的人臉自動(dòng)識(shí)別方法,首先采用核主分量分析(KPCA)對(duì)原始的人臉圖象進(jìn)行降維,這樣不僅突出了人臉圖象的主分量特征,而且考慮了包含圖象象素間的非線性關(guān)系的高階統(tǒng)計(jì)信息.然后利用FastICA算法進(jìn)一步抽取出更加有利于分類的面部特征的主要獨(dú)立成分,以用來(lái)后面的識(shí)別分類.在FERET人臉庫(kù)的子庫(kù)上實(shí)驗(yàn)結(jié)果表明,所提出的方法與基于FastICA的方法相比識(shí)別性能略有提高,更為特出的是在識(shí)別速度上顯