线性子空间人脸识别是什么意思？

该算法将二阶张量的概念应用到原有的典型相关分析方法中，有效避免了协方差矩阵的奇异性，大大降低了计算复杂度。

相关论文:

线性子空间人脸识别算法及姿态问题研究

黄丽坤

在过去的三十年里，自动人脸识别技术引起了各个相关领域研究者的极大兴趣和广泛关注，跨越了图像处理、计算机视觉、神经科学、统计学、模式识别等多个研究领域。随着科技的发展，自动人脸识别技术逐渐应用于商业和公共安全领域。从护照、身份证、驾驶证等可控格式的人脸照片的静态匹配，到实时监控中的人脸图像识别，自动人脸识别技术发挥了巨大的应用价值。目前用于识别的人脸图像在可控条件下获取时，如前方清晰、光照条件适宜等，识别率已经达到了我们可以接受的水平。但当在用户不配合、条件不合适的情况下，如监控视频中截取的非正面、低像素、光照条件差的情况下获取用于识别的人脸图像时，识别率会大大降低，有些情况下识别率甚至不到30%。所以可以看出，人脸识别技术有很多问题到现在都没有解决，而这些问题正是人脸识别技术在日常生活中迫切需要解决的现实问题。本文主要研究人脸识别技术中的两个问题:基于线性子空间学习的人脸识别算法和姿态变化下的人脸识别算法。本文首先阐述了基于线性子空间学习的人脸识别算法，详细介绍了主成分分析、线性判别分析和典型相关分析。在分析线性子空间人脸识别算法的基础上，提出了一种新的基于线性子空间学习(二维判别典型相关分析)的人脸识别算法。该算法将二阶张量的概念应用到原有的典型相关分析方法中，有效避免了协方差矩阵的奇异性，大大降低了计算复杂度。姿态变化下的人脸图像识别是自动人脸识别研究的主要问题之一。本文总结了不同姿态变化下的人脸识别算法。由于人脸图像在姿态变化下的变换是非线性的，基于子区域的人脸识别算法可以较好地解决姿态变化下的人脸识别问题。基于局部线性回归方法和高斯概率模型，提出了一种新的基于子区域姿态变化的人脸识别算法(加权子区域相似度人脸识别算法)。该算法采用局部线性回归方法生成虚拟人脸正面图像。