基于改進2D-PCA和2D-LDA的人臉識別方法研究.pdf

1、作為一種生物特征識別技術(shù)，人臉識別涉及了圖像處理和計算機視覺等多學科的技術(shù)。人可以在各種復雜情況下迅速識別出人臉，但如何實現(xiàn)計算機的高精度自動人臉識別仍然是一個困難的課題。目前，隨著人臉識別的應(yīng)用發(fā)展，訓練庫越來越大，存儲人臉數(shù)據(jù)和大數(shù)據(jù)提取匹配計算等問題值得研究。如何準確而又精簡的提取出最能代表人臉的特征是應(yīng)用的關(guān)鍵。本文在前人的算法基礎(chǔ)上，進行了一些創(chuàng)新和改進，主要工作如下:
　　(1)傳統(tǒng)的一維主成分分析(PCA)由于需先把

2、圖像轉(zhuǎn)換為向量，維度非常高，所以訓練時間長，本文采用在二維圖像矩陣上直接進行特征提取的2D-PCA算法，并針對個別樣本可能離散程度較大的問題，提出了基于樣本間距離偏移各類均值的改進2D-PCA算法。在ORL人臉庫上的識別結(jié)果表明2D-PCA比傳統(tǒng)的PCA減少了大量計算量，并提高了識別率?？紤]到主成分分析算法訓練時未使用訓練庫的類別信息，在分析和驗證了類內(nèi)平均臉在二維主成分分析的不可取之處后提出了均值偏移的2D-PCA方法。其基本思想是利

3、用距離判定樣本重要程度，賦予各樣本不同系數(shù)來偏移均值，可以提高一定識別率并增強魯棒性。
　　(2)使用線性鑒別分析(LDA)結(jié)合PCA的Fisher face經(jīng)典算法具有比較高的識別率和更少的計算時間，本文在總結(jié)了現(xiàn)有的人臉檢測技術(shù)和特征提取算法的基礎(chǔ)上，提出了使用均值偏移的2D-PCA結(jié)合2D-LDA的方法。該方法利用主成分分析進行特征降維，再通過線性鑒別分析尋找最佳分類投影方向，解決了主成分分析識別率不夠、線性鑒別分析小樣本的