论文部分内容阅读
在人脸图像识别过程中，传统的基于子空间的人脸识别方法通过寻求一个低维子空间来实现分类。这种做法的前提是假定类与类之间的错分代价是一样的，然而这种假设在某些场合并不合理，因为不同类错分造成的后果可能并不相同。如何针对特定场景提出有效的识别方法成为本文研究的重点。当前，一些代价敏感的子空间学习方法已经被提出，如（Cost-Sensitive Principal Component Analysis, CCSPCA）、（Cost-Sensitive Locality PreservingProjections, CSLPP）和（Cost-Sensitive Linear Discriminant Analysis, CSLDA）。然而，这些方法还存在一些问题。CSPCA和CSLPP是两种代表性的方法，由于不能使用类别信息，鉴别能力有限；CSLDA是代表性的有监督方法，但是在样本数小于样本维数时会遇到小样本问题。最大间隔准则（MMC）是一种有效的有监督子空间学习方法，由于其不需要对类内散度矩阵求逆，可以避免小样本问题。考虑到错误分类代价问题，本文首先提出了代价敏感的最大间隔准则（Cost-sensitive Maximum Margin criterion，CSMMC）。我们根据不同类的实际情况设计了代价因子，并将其融入类内和类间散度矩阵的构造中，从而构造了代价敏感的类内和类间散度矩阵。通过特征值分解过程，我们可以获得投影变换。CSMMC需要对样本进行列向量化处理，而这会破坏人脸图像的原始结构，还会导致列向量化后的样本维数变得很高，从而导致散度矩阵奇异。为解决该问题，我们进一步提出了二维代价敏感的最大间隔准则（2DCSMMC）。2DCSMMC加入代价因子，并直接用原始样本（二维，不作列向量化处理）构建散度矩阵。此外，我们用迭代求解的方式获得投影变换。传统的线性特征提取方法是通过线性变换来实现对模式样本的降维的，但原始样本如果呈现非线性分布时，已有的线性方法很难提取有效的鉴别特征。这时可以将其转换到一个新的，更高维的空间使得原始样本线性不可分的数据在这个新的空间中变的线性可分。基于核的相关理论，我们在CSMMC的基础上提出了核的代价敏感最大间隔准则（KCSMMC）。首先将低维样本通过核函数映射到高维空间，然后在计算散度矩阵时融入错误分类代价因子，最后根据再生核理论进行求解。我们在三个公开的人脸数据库：AR、FERET和CAS-PEAL进行实验。实验结果表明了所提方法的有效性。