人脸图像特征抽取及分类器设计若干问题研究

特征抽取和分类器设计是人脸识别研究的核心问题，也是本课题研究的重点内容。Fisher线性鉴别分析（FLDA）是人脸特征抽取的主流方法，小样本问题和数据分布模型的强假设是制约FLDA应用的主要因素，如何克服这些约束是一个公开的难题。本课题将研究一种新的基于最大间距准则且具有监督保局投影特性的人脸特征提取方法，试图解决上述难题；多方法融合的策略是识别研究的一个方向，如何在特征抽取中融合人脸图像的二维结构信息是前研究的热点，为此，本课题将研究一种新的融合分块小波变换与二维线性鉴别分析的人脸特征抽取方法；将支持向量机（SVM）应用于人脸特征分类是识别研究一个的主要趋势，如何确定支持向量机核参数是一个公开难题，本课题将研究一种新的基于核参数自适应选择的两类SVM分类方法，并试图给出一套比较严格而有效的核参数确定方法。因此，本课题具有重要的理论研究价值和较高的学术研究价值，也具有较大的实际应用价值。