基于非线性时频特征的面像识别研究

面像识别是当今模式识别领域中基于人体生物特征进行身份认证的前沿研究热点，其研究不但对于模式识别理论发展具有重要学术意义，而且在商业、法律和其它领域有着广泛的应用前景。本项目利用小框架（framelet）理论等工具重点解决线性方法不足以有效描述实际图像中存在的光照、局部畸变、局部遮挡等复杂的非线性变化问题。本计划将研究：(1) 面像的framelet多分辨率表示与非线性特征选择。我们需要关注的是关于分类的表示，而不是最优重构表示。遗传算法等机器学习方法将被应用于特征选择研究；(2) 基于核方法的分类器设计与融合等问题。我们将发展非二阶统计量方法；（3）设计面像识别系统。本项目的创新之处在于提出基于非线性逼近和framelet的面像特征生成与选择新方法；提出建立方差变换规律，使用不同于Fisher商的分类器设计新准则。