论文总字数：10602字

摘 要

人脸识别是当前模式识别领域中的一个极具挑战性的研究课题，因为其广泛的应用而受到各国政府以及科研单位的广泛关注，其应用性主要体现在法律、商业、军事等重要的安全领域。如何能有效地从人脸图像中进行人脸特征的识别是一个关键课题。

局部敏感鉴别分析是一种基于向量学习的提取特征的算法。在实际应用中，由于小样本问题，通常先利用PCA算法对原始数据进行降维处理，然后再使用LSDA算法提取特征。然而，这种方法会丢掉一些重要的鉴别信息。本文主要基于最大边距局部敏感鉴别分析的方法来进行探讨研究，直接从原始数据中提取特征，避免了鉴别信息的损失，同时使得同类中的近邻数据尽量靠近，而不同类之间的样本远离。在ORL和Yale人脸库上的仿真实验表明此算法更有效。

关键词：人脸识别，最大边距准则，局部敏感鉴别分析

Abstract: Face recognition is the current field of pattern recognition in a challenging research topic because of its wide application and attention by governments and research institutions, and its application is mainly reflected in the legal, commercial, military and other important security. How to effectively carry out facial features from human face image recognition is a key issue.

Local sensitive discriminant analysis is based on extracting feature vector learning algorithm. In practice, due to the small sample size problem, usually the first use of PCA algorithm to reduce the dimension of the original data processing, and then use LSDA algorithms to extract features. However, this method will lose some important authentication information. This paper is mainly based on the largest margin of local sensitive discriminant analysis approach to explore research, extract features directly from the raw data, avoiding the loss of authentication information, while making the same kind of data as close neighbors, but not the same between the sample away. On ORL and Yale face database simulation results show that this algorithm is more effective.

Key words: Analysis of Face Recognition, The Maximum Margin Criterion, Locality Sensitive Discriminant

目 录

1 引言 5

1.1研究背景 5

1.2研究意义 6

1.3人脸检测算法 7

2.相关算法简介 9

2.1主成分分析PCA 9

2.2线性鉴别分析LDA 9

2.3局部敏感鉴别分析 10

2.4最大边距准则MMC 11

2.5类间近邻关系矩阵 12

3 最大边距局部敏感鉴别分析 12

4 实验结果及分析 13

4.1 在ORL人脸库上的实验 13

4.2 在Yale人脸库上的实验 15

结 论 17

参考文献 18

致 谢 19

附录 20

1 引言

1.1研究背景

生物特征识别技术诞生于20世纪20年代，因计算机的发展和互联网的普及，已应用到越来越多的领域。

身份识别和验证是保证国家公共安全的重要前提。在国家安全、司法、公安、电子政务、电子商务、保安监控、安全检查等应用领域都需要准确的身份识别及鉴定。目前，个人身份鉴定主要依靠ID卡和密码等手段，然而这些手段存在携带不便，易丢失,易破解之类的漏洞。生物特征识别技术可适应现代科技和社会进步的需要。

随着信息安全重要性的日益显著，20世纪80年代末90年代初，生物特征识别技术研究开始成为一个研究热点。与传统识别方式，生物特征识别是利用人自身特性进行身份识别，而人的特征是与生俱来的。人脸具有唯一性和不易被复制的良好特性远超其他成熟的人体特征识别技术。同其他生物特征识别方式相比，人脸识别具有如下优势：

（1）可以隐蔽操作，尤其适用于安全监控

（2）据有方便、快捷、强大的事后追踪能力

（3）图像采集设备成本低

（4）更符合人类的识别习惯，可交互性强

人脸识别是模式识别的研究热点,研究者们已经提出了很多用于人脸识别的方法。其中子空间分析法由于具有描述性强、计算代小、易实现及可分性好等特点,成为人脸识别领域的重要方法,其中最广泛应用的两个算法是PCA和LDA。PCA是一种非监督学习方法,目标是寻找最小平方下给出数据最优表征的子空间.LDA是一种监督学习方法,通过最大化类间散度和类内散度比率来寻找最佳线性判别空间,得到最佳判别力特征.因此,LDA所生成的子空间实现了数据可分,比PCA更适合分类任务.

1.2研究意义

随着人们对安全意识的逐渐加强，使得生物特征识别技术具有市场潜力。在所有生物特征识别技术中，利用人脸特征进行人脸识别是最自然的手段，不像指纹、虹膜、掌纹等其它生理特征不仅需要被采集者的配合，而且要在法律许可的条件下才能进行。

人脸识别在信息安全、视频监控、访问控制等领域有着广泛的应用前景。主要应用于公安系统的罪犯身份识别、驾驶执照及护照等与实际持证人的核对。银行及海关的监控系统及自动门卫系统。

人脸识别研究同时在学术上也有重要意义。人脸是典型的形变体，其特点是：（1）模型已知；（2）特征分布具有对称性。对于形变体的深入研究有助于解决一般三维物体的识别问题，从而推动计算机视觉和人脸识别等领域中基础研究的发展。

传统的人身辨别方法主要通过人身标识物品和人身标识知识两种方式来实现的。常见的人身标示物品有钥匙、证件等各种标识,人身标示知识有密码、用户名等。像钥匙、证件标识等人身标识物品易丢失或被伪造,且人身标识知识易遗忘,更为严重的是传统身份识别系统无法区分标识物品的拥有者和取得标识物品的冒充者。即使将两种方式结合起来使用,这类问题仍会不断出现,例如取款机虽然用到银行卡和用户密码,但还有卡里钱被盗的情况。因此传统的辨别方法并不能满足社会发展的需要。而生物特征识别技术使辨别技术得到发展。其中包括面部特征、指纹、手形、基因、身体气味等。人脸是主要的面部特征,与其他身体特征鉴别身份相比,人脸不易被遗忘、丢失和盗取,且人脸图像采集具有非侵犯性、非接触性、非强制性特点,易被人们所接受。

剩余内容已隐藏，请支付后下载全文，论文总字数：10602字