提出一种核最大间距准则方法(Kernel maximum between-class margin criterion,KMMC)的特征提取方法来避免人脸识别中的小样本问题,采用基于核特征空间的类间散度与类内散度之差的最大化的特征提取方法,获得了一组最佳鉴别矢量做为投影轴进行投影变换,使得核特征空间样本的类间散度最大,类内散度最小,从理论上解决了因类内散布矩阵奇异导致无法求解的问题,并进一步显示了KMMC特征提取的高效性。在ORL人脸库上进行试验验证,结果表明KMMC特征提取方法的有效性。最后,采用Matlab设计并实现了一种基于KMMC的人脸识别系统。
针对二维最大间距准则(Two Dimensional Maximum Margin Criterion,2DMMC)算法进行特征提取时,无法提取局部的特征.同时,该算法也受不同的表情、光照以及姿态等条件的影响,识别的效果也大大降低.因此,提出一种基于分块二维MMC(Modular Two Dimensional Maximum Margin Criterion,M2DMMC)的人脸识别方法.首先,对图像矩阵进行分块,然后对分块后的矩阵进行2DMMC特征抽取,对每一子块抽取的特征进行整体融合,最后采用最近邻判决准则进行分类识别.在ORL,Yale人脸图像库进行实验的结果表明,新算法相对于MMC算法、二维MMC算法以及分块MMC算法均有较好的识别性能.
