小样本情况下人脸图像特征抽取技术研究

在人脸识别中，可得到的训练样本数往往远小于人脸图像样本的维数，此问题称为人脸识别中的小样本问题。小样本问题导致各种基于Rayleigh商的特征抽取算法存在病态问题，并且使得使用较少的训练样本难以获得推广性较好的识别性能。本书针对小样本条件下的人脸图像特征抽取和识别存在的困难，提出了几种人脸识别的算法，通过这些算法可以大幅提高人脸识别的准确率，本书的研究成果大致可以归纳为以下几个方面：提出了基于间距准则的鉴别保局影算法、正交的完备鉴别保局投影算法；从理论上证明了KGE内的各种算法其实质是KPCA+LGE框架内相应的各种线性算法；针对图嵌入算法在构建近邻图时须预先选择近邻参数的问题，提出了一种有监督的人脸特征抽取算法——鉴别稀疏邻域保持嵌入算法。

英文缩写表
第1章绪论
1.1人脸识别的研究背景和意义
1.2人脸识别的发展与现状
1.3人脸检测
1.3.1基于知识的方法
1.3.2基于学习的方法
1.4小样本情况下的人脸特征抽取算法
1.4.1基于直观特征的特征抽取算法
1.4.2基于人脸的代数特征的特征抽取算法
1.5人脸识别方法
1.6本书研究工作概述
1.7本书内容安排
第2章基于优选间距准则的鉴别保局投影算法
2.1引言
2.2PCA算法、LDA算法、MMC算法和DLPP算法
2.2.1PCA算法
2.2.2LDA算法和MMC算法
2.2.3DLPP算法
2.3DLPP/MMC算法的目标函数
2.4求解DLPP/MMC的高效算法
2.5DLPP/MMC算法的理论分析
2.6实验结果与分析
2.6.1实验中所用的数据库
2.6.2人脸识别实验
2.7本章小结
第3章鉴别保局投影算法的改进
3.1引言
3.2正交的完备鉴别保局投影（OCDLPP）算法
3.2.1OCDLPP的理论推导
3.2.2求解OCDLPP的高效算法
3.2.3与相关算法的联系
3.2.4实验结果与分析
3.3正则化广义鉴别保局投影（RGDLPP）算法
3.3.1RGDLPP算法的理论推导
3.3.2实验结果与分析
3.4快速的完备鉴别保局投影（FCDLPP）算法
3.4.1完备的鉴别保局投影（CDLPP）算法
3.4.2FCDLPP算法的求解过程
3.4.3实验结果与分析
3.5本章小结
第4章小样本情况下基于核化图嵌入的很好鉴别分析
4.1引言
4.2相关的算法
4.2.1核主成分分析
4.2.2核化图嵌入框架
4.3核化图嵌入算法的本质
4.4完备的核化图嵌入算法
4.4.1有效鉴别矢量的组成
4.4.2鉴别准则
4.4.3本章算法的流程
4.5实验结果与分析
4.6本章小结
第5章鉴别稀疏邻域保持嵌入算法
5.1引言
5.2相关的算法
5.2.1近邻保持嵌入算法
5.2.2稀疏表示
5.2.3稀疏保持投影
5.3鉴别稀疏邻域保持嵌入
5.3.1类间近邻散度
5.3.2类内近邻散度
5.3.3DSNPE算法
5.4实验结果与分析
5.4.1基于DSNPE算法的人脸表示
5.4.2DSNPE算法的人脸识别性能
5.5本章小结
第6章总结与展望
参考文献