2DGabor均值改进的子空间人脸识别方法

"该论文是2012年发表在《哈尔滨理工大学学报》上的，作者是林克正、许颖和李妹，主要研究了人脸识别技术中的一个问题，即如何更好地提取和利用人脸图像的局部特征。他们提出了一种改进的基于2D Gabor特征均值的子空间人脸识别算法，该算法结合了线性和非线性空间的2DPCA（二维主成分分析）和KDA（核Fisher判别分析），并在ORL和FERET标准人脸库上进行了实验验证，显示出较高的识别率和对光照、姿态、表情变化的良好鲁棒性。" 正文： 人脸识别技术是生物特征识别领域的重要组成部分，其核心在于从复杂的面部图像中提取有效的特征并进行识别。传统的基于全局特征的方法在处理光照、姿态和表情变化时往往表现不佳。为了克服这些挑战，这篇论文提出了一个创新的解决方案。 首先，论文针对人脸图像的局部特征提取问题，提出了基于2D Gabor滤波器的处理方法。2D Gabor滤波器能够模拟人类视觉系统对纹理和边缘的敏感性，特别适合捕捉图像的局部结构信息。论文将人脸图像划分为5个特殊区域，对每个区域应用2D Gabor变换，这样可以获取到更丰富的局部特征。 接着，论文引入了2D Gabor均值的概念。对于每个训练样本，论文计算了对应像素点的特征向量的均值，以此作为图像的代表性特征向量。这种方法旨在增强图像特征的稳定性和区分性，尤其是在光照和表情变化的情况下。 然后，为了降低高维特征空间的复杂性，论文采用了2DPCA和KDA进行降维处理。2DPCA是一种二维的主成分分析，它能够在保留主要信息的同时减少数据的维度。而KDA则是Fisher判别分析的核版本，它能处理非线性问题，通过映射数据到高维的特征空间来寻找最佳分类超平面。 最后，论文采用了最近邻分类器和支持向量机（SVM）进行特征分类和识别。最近邻分类器是一种简单的基于实例的学习方法，而SVM则以其强大的泛化能力和对小样本的处理能力被广泛应用于分类任务。 实验结果表明，这种基于2D Gabor均值的子空间人脸识别算法在ORL和FERET这两个标准人脸数据库上取得了较高的识别率，并且对于光照、姿态和表情的变化展现出良好的鲁棒性。这证明了该方法的有效性和实用性，为人脸识别技术提供了新的思路。 关键词：人脸识别、子空间、2D Gabor均值、2DPCA、KDA 这篇论文提供了一种改进的子空间人脸识别策略，通过结合2D Gabor滤波、均值计算、降维方法以及两种不同的分类器，提高了人脸识别的性能，特别是在应对实际环境中的各种变化时。这一工作对于理解和改进人脸识别算法有着重要的理论和实践价值。