基于子空间分析的人脸识别方法实现成果

人脸图像纷繁复杂，受制于此，很难准确地描述人脸的特征。近些年来，采用统计分析的子空间法进行人脸识别日益受到关注，并逐渐成为当下人脸识别的一种主要方法。一般情况下，人脸图像的维数非常高，在这种高维空间中，人脸图像的分布并不紧凑，这将给分类产生非常不利的影响，同时也增加了计算的复杂度。鉴于此，通常对人脸图像进行投影，使之投影至低维子空间再来辨识[99]。

该方法的基本切入点在于：在特定性能目标的基础之上寻找线性的、非线性的空间变换，并对原始信号数据进行压缩，使之进入低维子空间中，确保该子空间内的数据分布更为紧凑。它对数据描述给出了很好的办法，与此同时，还能使计算变得更加简单。其中，特征脸方法是最具代表性的线性子空间法。当性能目标要求各不相同时，使用子空间法所求得的子空间也不尽相同。

现阶段，PCA, SVD, LDA, ICA, NMF 等多种子空间分析法均已成功运用到人脸识别领域； KPCA, KFDA 等方法则是子空间分析法中的非线性子空间法经常使用的方式。

在图像压缩方面，K-L 变换是最佳正交变换，其终极目标为样本的最优重建。Kirby 等人介绍了如何将主成分分析法与K-L 变换相结合，从而使人脸图像得到最佳表示[100]。Turk 等人则具体地将其引进到人脸识别中来[101]，发明了特征脸方法。该法的主要思想在于：一幅图像是通过N 个像素构建而成的，因此，可将其视为N 维矢量，抑或是N 维空间中的一点。使用这种方法时要做出如下假设：在高维图像空间中，人脸图像只占其中一个微小的子区域，可充分运用PCA 原理求得人脸图像的优化坐标系统。也就是说，将该子区域坐标展开并做降维处理，做到用少量参数来表示每个人脸图像。在这种做法下，人脸识别计算将会变得更加简单，其复杂程度大幅下降[102]。(www.xing528.com)

而LDA 法有所不同，它将样本的可分性当作终极目标，以此来探寻一组线性变换，实现每类的类内离散度最小、类间离散度最大的效果，并据此判断。就理论层面而言，对比PCA 法，LDA 法在人脸识别方面更具优势。

整体而言，子空间分析法的特征如下：计算代价不大，具备强大的描述能力和优良的可分性，已发展成人脸识别的一种最主要的方式。各种子空间法，各具优势与不足，不过，对于将理论与大量的实验结果有机融合而言，在人脸识别研究领域，采用可分性准则的线性判别分析法颇具优势；该法旨在实现类内距的最小化和类间距的最大化，继而实现有效分类的效果。而粒子群算法将随机解当作切入点，充分利用迭代法求解最优解，并通过求解适应度函数，对方案的质量进行客观评价。本书就是采用这种算法来生成随机粒子，再对所生成的粒子采用LDA 算法的思想实现同簇粒子类内距的最小化、不同簇粒子类间距的最大化，并以此对粒子的好坏做出客观评价，充分利用迭代求得最优解。值得注意的是，通过这种做法得到的粒子最优位置就是选取的最佳特征，然后设计分类器，对提取的特征进行分类，达到最终对人脸进行识别的目的。关于这种方法，LDA 法在使用过程中面临的各种问题也得以优化，并在提高识别效果的基础上增强了识别速度。