基于統(tǒng)計(jì)學(xué)方法的人臉識(shí)別研究.pdf

1、人臉識(shí)別技術(shù)是模式識(shí)別和機(jī)器視覺(jué)領(lǐng)域最富挑戰(zhàn)性的研究課題之一,也是近來(lái)研究的一個(gè)熱點(diǎn)問(wèn)題.本文的主要工作體現(xiàn)如下:首先通過(guò)對(duì)人臉圖像灰度直方圖的修正,消除了光照強(qiáng)度差異對(duì)人臉識(shí)別的影響.另外研究表明,人臉的表情變化和少許遮掩只影響圖像中的高頻部分的變化,由此本文采用兩種方法提取人臉圖像的低頻部分,第一種是通過(guò)離散余弦變換的方法提取人臉圖像的相對(duì)穩(wěn)定的低頻子帶,然后進(jìn)行反變換得到與低頻區(qū)域相同大小的圖像.第二種是采用了小波變換的方法,提取

2、一次小波變換后的低頻子帶圖像.通過(guò)這兩種變換,既消除人臉圖像中表情及姿態(tài)對(duì)識(shí)別率的影響,又減小了圖像的分辨率,降低了運(yùn)算的復(fù)雜度.其次本文分析了四種用于構(gòu)建投影子空間的算法,他們分別是:主分量分析法(PCA),平均臉?lè)?fisher臉?lè)ㄒ约盎谄骄樅途€形判別分析相結(jié)合的方法.單純采用PCA方法來(lái)進(jìn)行人臉特征的提取,得到的是人臉的最佳表示特征,但對(duì)于分類(lèi)來(lái)說(shuō)并不是最佳的.LDA方法在提取特征的過(guò)程中,充分利用了類(lèi)別的信息,可以得到最利于

3、分類(lèi)的人臉特征.但由于人臉特征空間維數(shù)很高,無(wú)法直接利用LDA方法提取分類(lèi)特征.為此,本文采用了兩種算法:第一種算法是fisher臉?biāo)惴?它首先通過(guò)PCA方法降低人臉特征空間的維數(shù),然后運(yùn)用LDA方法得到最利于分類(lèi)的投影,來(lái)實(shí)現(xiàn)對(duì)人臉的識(shí)別;第二種算法首先應(yīng)用平均臉?lè)椒ń档腿四樚卣骺臻g的維數(shù),然后再運(yùn)用LDA方法得到最利于分類(lèi)的投影,來(lái)實(shí)現(xiàn)對(duì)人臉的識(shí)別.試驗(yàn)證明,采用后兩種方法得到的識(shí)別率較好.最后本文采用了兩種不同結(jié)構(gòu)的人工神經(jīng)網(wǎng)絡(luò)構(gòu)

4、建分類(lèi)器,進(jìn)行訓(xùn)練和識(shí)別:一種是BP網(wǎng)絡(luò),另一種是RBF網(wǎng)絡(luò).對(duì)于BP網(wǎng)絡(luò),本文采用引入動(dòng)量項(xiàng)的自適應(yīng)變步長(zhǎng)來(lái)調(diào)整學(xué)習(xí)率的算法,這樣可以有效地抑制網(wǎng)絡(luò)陷入局部極小,縮短學(xué)習(xí)時(shí)間.RBF網(wǎng)絡(luò)是一種特殊的兩層網(wǎng)絡(luò),具有全局近似性、極佳的近似能力、學(xué)習(xí)速度快、與其他網(wǎng)絡(luò)相比有更加緊湊的拓?fù)浣Y(jié)構(gòu)等顯著特點(diǎn).本文比較了自組織學(xué)習(xí)法,梯度下降法和正交最小二乘法(OLS)三種RBF網(wǎng)絡(luò)的學(xué)習(xí)算法,結(jié)果發(fā)現(xiàn)正交最小二乘法不僅簡(jiǎn)單易行、而且精度高、運(yùn)算速