人脸识别技术：特征提取与优化方法

"这篇博士学位论文主要探讨了特征提取在人脸识别中的应用，重点研究了线性和非线性特征提取方法，并提出了改进策略以提高计算效率和识别性能，特别针对小样本问题进行了优化。作者林玉娥在导师顾国昌的指导下，研究了不相关鉴别分析、基于图像矩阵模型的二维不相关鉴别矢量集、改进的不相关空间方法以及基于核映射的非线性特征提取方法。" 特征提取是人脸识别技术的关键环节，它涉及将人脸图像转化为具有代表性的特征向量，以便进行后续的分类和识别。在论文中，作者首先介绍了线性特征提取方法，如线性鉴别分析（LDA）、主成分分析（PCA）和局部保持投影（LPP），这些方法通常用于降低数据维度并保留重要信息。然而，线性方法在处理小样本数据时可能会遇到困难。 针对小样本问题，论文提出了一种基于图像矩阵模型的二维不相关鉴别矢量集方法。这种方法通过构建图像矩阵模型，避免了小样本问题，并通过类内散布矩阵的白化变换，实现了非迭代的特征提取，从而提高了计算速度和数值稳定性。 此外，论文还研究了基于图像向量模型的不相关鉴别分析，并在此基础上提出了一种改进的不相关空间方法。这种方法通过将数据降维到低维子空间，解决了总体散布矩阵可能存在的奇异问题。通过快速的矩阵分解，进一步提升了求解不相关鉴别矢量的速度，同时在理论和实践上都有效应对了小样本问题。 对于非线性特征提取，论文聚焦于基于核映射的方法，如核正交鉴别保局投影（Kernel OASIS）、核鉴别通用矢量集（Kernel DGMV）和核不相关空间方法。这些核方法通过引入核函数将线性方法转换为非线性空间，显著提升了原有线性方法的识别性能。 这篇论文为特征提取和人脸识别提供了深入的理论分析和实用的改进方案，尤其是在处理小样本数据和提升计算效率方面，对特征提取领域有着重要的贡献。这些研究成果不仅丰富了特征提取的理论体系，也为实际的人脸识别系统设计提供了有价值的参考。