高维空间下求解MDA的扰动算法及其在人脸识别中的应用

本文提出了一种在高维空间下直接求MDA(Multiple discriminant analysis)最佳解的扰动算法，并把这一算法应用于人脸的识别中。在传统的MDA求解算法中，一般要求训练样本的个数足够大，以至于其类内散射矩阵为非奇异矩阵，即所谓的“小样本”问题。但是，在入脸识别中，由于人脸空间的维数非常大，而训练样本的个数有限，造成类内散射矩阵为奇异矩阵，从而使得用传统的求解方法失效。为了能在高维空间中求出MDA的最佳解，本文采用扰动的思想，巧妙地避开了矩阵的奇异性问题并找到了最佳变换矩阵。此外，把这一算法用于人脸的识别中，对ORL人脸图像库的实验显示，采用本文提出的算法达到比较低的错误率，其错误率仅为特征脸(Eigenface)方法的49．9％，为Fisher脸(Fisherface)的7914％。     

基于DWT-DCT-SVM的人脸表情识别

提出了一种基于二维离散小波一离散余弦变换-支持向量机（DWT-DCT-SVM）面部表情识别算法。该算法先利用DWT在不明显损失图像信息的基础上对表情图像进行变换，变换后的图像数据量大大减少。再利用DCT提取代表原图像绝大部分能量的数据作为表情特征矢量，最后利用SVM来识别。实验表明：本算法提取的500个数据长度的表情矢量在一定条件下能较准确地识别出通用的6种表情，但是泛化性能较差。