核张量判别分析与模糊融合人脸识别技术

"这篇研究论文探讨了一种新颖的基于核的张量判别分析方法，结合模糊融合技术，用于人脸识别。作者是来自海南大学信息科学技术学院的刘小壮和阮航宇。他们提出了一种名为核双线性 fisher 准则 (KBFC) 的图像子空间学习方法，该方法将人脸图像编码为第二阶张量（矩阵）。KBFC旨在同时最大化类间散度并最小化类内散度，从而在对应的子空间中寻找最优投影向量。此外，论文还介绍了一种得分级融合方法，用于合并两个独立的投影结果，以实现更精确的分类任务。实验结果显示，该方法在 ORL 和 UMIST 人脸识别数据库上的表现有效。关键词包括：核、张量判别、双线性等。" 这篇研究论文的核心在于利用张量表示和核方法来改进人脸识别的性能。张量是一种多维数组，可以有效地处理多模态数据，如图像的像素信息。在人脸识别领域，人脸图像可以被视作二维张量（矩阵），其中每一维代表图像的一个特性，如像素的行、列或颜色通道。 首先，论文提出了核双线性Fisher准则（KBFC）。传统的Fisher判别分析（FDA）是在特征空间中寻找能最大化类间距离和最小化类内距离的投影方向，而KBFC在此基础上引入了核函数，允许非线性映射到高维特征空间进行分析。这种方法使得原本线性不可分的数据在高维空间中可能变得可分，提高了识别准确性。 接着，为了进一步优化识别效果，研究者们引入了得分级融合策略。这种方法通常是在多个分类器或特征选择之后，通过综合各个分类器的输出得分来得出最终的分类决策。得分级融合能够集成不同投影的结果，从而提高整体的分类性能，尤其是在处理复杂和非结构化的数据时。 实验部分，论文选择了ORL和UMIST这两个常用的人脸数据库进行了测试。ORL数据库包含40个个体的10个不同表情或光照条件下的灰度图像，而UMIST数据库则有256个个体的各一个正面人脸图像。实验结果证实了基于KBFC的张量判别分析和模糊融合方法在人脸识别中的有效性，表明这种方法能够有效地处理人脸图像的复杂性和多样性。 总结来说，这篇研究论文提出了一个创新的、结合了张量分析和核方法的人脸识别框架，通过最大化类间差异和最小化类内差异以及得分级融合技术，提升了识别准确率，特别是在处理非线性人脸特征时。这为未来的人脸识别技术和计算机视觉应用提供了新的研究方向。