PCA与LDA在人脸识别中的应用

"这篇外文文献探讨了人脸识别技术，特别是PCA(主成分分析)的特征脸算法和LDA(线性判别分析)的Fisher脸算法在处理光照变化和面部表情变化时的性能。作者Peter N. Belhumeur、João P. Hespanha和David J. Kriegman提出了一种对光照和面部表情变化不敏感的人脸识别算法，该算法基于类特定线性投影。" 人脸识别是计算机视觉领域的一个关键研究课题，它涉及从图像或视频中自动检测、定位和识别个体的面部。PCA和LDA都是降维技术，常用于人脸识别中的特征提取。 PCA是一种无监督学习方法，通过找到数据集的主要成分来减少数据的维度，同时最大化保留原始数据的方差。在人脸识别中，PCA被用来生成“特征脸”（Eigenfaces），它是一组代表人脸数据库中大部分变化的基础图像。特征脸算法首先计算所有人脸图像的平均图像，然后找出这些图像的主成分，这些主成分可以作为人脸的基，用于表示新的面部图像。 然而，PCA对于光照条件的变化和面部表情的差异较为敏感。为了克服这个问题，LDA被引入到人脸识别领域。LDA是一种有监督的学习方法，旨在找到最佳的投影方向，以最大程度地分离不同类别之间的样本，同时最小化类别内部的样本差异，也就是Fisher准则。这种方法生成的“Fisher脸”（Fisherfaces）能更好地适应光照和表情变化，因为它们专注于区分不同个体的特征，而不是捕捉所有可能的变化。 在文献中提到，由于人脸实际上并非理想的Lambertian表面，会产出自阴影，因此图像会偏离3D线性子空间。作者提出的算法基于Fisher的线性判别分析，通过线性投影方法抵消那些偏离较大的面部区域，从而在低维子空间中实现更好的分类效果。 这篇文献对人脸识别技术进行了深入研究，提出了一种结合Fisher判别分析的新型方法，以提高在实际光照和表情变化下的识别准确率。这一工作对于理解人脸识别系统如何处理现实世界的复杂情况具有重要意义，也为后续的面部识别研究提供了理论基础和实用策略。