基于隱馬爾科夫模型的人臉識(shí)別技術(shù)研究.pdf

1、近年來，人臉識(shí)別技術(shù)越來越受到重視，已經(jīng)成為計(jì)算機(jī)視覺、圖像分析和理解中應(yīng)用最成功的技術(shù)之一。本文系統(tǒng)的研究了基于嵌入式隱馬爾科夫模型的人臉識(shí)別方法。完成的主要工作有以下幾點(diǎn)：
　　 首先本文針對(duì)傳統(tǒng)人臉識(shí)別方法在受到表情、姿態(tài)和光照等影響時(shí)存在魯棒性差的問題，提出了一種改進(jìn)的人臉識(shí)別方法。在特征提取上，該方法首先提取人臉的Gabor特征，接著利用DCT壓縮使得相似特征得到聚合，最后利用PCA分別篩選出最能夠代表人臉各個(gè)區(qū)域的D

2、CT系數(shù)。在識(shí)別方法上，該方法采用了嵌入式隱馬爾科夫模型(EHMM)，并基于人臉的認(rèn)知結(jié)構(gòu)信息對(duì)嵌入式隱馬爾可夫人臉結(jié)構(gòu)模型進(jìn)行了改進(jìn)。對(duì)比實(shí)驗(yàn)結(jié)果表明，該方法識(shí)別率高，復(fù)雜度低，并具有較好的魯棒性，易于在工程上應(yīng)用。
　　 其次針對(duì)基于嵌入式隱馬爾科夫模型的人臉識(shí)別方法中僅僅利用訓(xùn)練樣本得到單一分類器的缺點(diǎn)，引入了AdaBoost集成學(xué)習(xí)算法對(duì)樣本隨機(jī)擾動(dòng)，并且對(duì)AdaBoost算法進(jìn)行了改進(jìn)。首先我們通過對(duì)樣本庫(kù)加入隨機(jī)噪聲

3、，提高學(xué)習(xí)方法的泛化能力。接著在該數(shù)據(jù)庫(kù)的基礎(chǔ)上，通過訓(xùn)練多個(gè)弱分類器構(gòu)造出一個(gè)強(qiáng)分類器。訓(xùn)練過程中首先通過對(duì)訓(xùn)練集設(shè)置相等的權(quán)重，得到初始分類器。然后通過識(shí)別誤差調(diào)節(jié)訓(xùn)練樣本的權(quán)重，進(jìn)而構(gòu)建出新的訓(xùn)練集，如此重復(fù)，得到一個(gè)由多個(gè)弱分類器所組成的強(qiáng)分類器。最后通過加權(quán)投票的方法得到識(shí)別結(jié)果。實(shí)驗(yàn)證明，該方法識(shí)別率高，魯棒性好。
　　 最后根據(jù)實(shí)際需要，利用本文所涉及的方法實(shí)現(xiàn)了相應(yīng)的人臉識(shí)別系統(tǒng)。該系統(tǒng)基于OpenCV與隱馬爾可