小波包在人臉識別中的應(yīng)用.pdf

1、人臉識別是模式識別領(lǐng)域的一個(gè)重要研究課題.但人臉圖像是一種非平穩(wěn)信號,用于分類的特征往往包含在局部的時(shí)頻信息中,用一般的變換方法提取有效特征比較困難.小波變換是近年來發(fā)展起來的一種分析非平穩(wěn)信號的有效方法,而且可以獲得與人的視覺特性更為接近的多尺度的提取特征的效果,于是小波被人們應(yīng)用于人臉識別中.而小波包變換具有任意的多尺度分解特性,可以提供更豐富的基以供分類選擇.本文把原始的基于小波包進(jìn)行特征提取的方法(Local Discrimin

2、ant Basis,LDB)應(yīng)用于人臉識別之中,并主要做了以下三方面的工作:(1)原始的LDB以類能量的差異為判據(jù)選擇最優(yōu)基及其小波包系數(shù)特征,這個(gè)判據(jù)并不是模式分類問題中的最佳判據(jù),針對這個(gè)問題本文系統(tǒng)研究了各種可分性判據(jù),并提出了在LDB中更有效的判據(jù).(2)因?yàn)榍癲個(gè)單獨(dú)最有效的特征并不一定是最有效的(數(shù)量為d的)特征組合,對不滿足線性可加的判據(jù),本文引入遺傳算法尋找最優(yōu)特征組合,去掉一些對分類無用或者有害的特征.(3)用LDB所

3、選取的特征仍然比較大量,而且受光照姿勢的影響仍然比較大,本文用基于Fisher準(zhǔn)則的方法把LDB所提取的特征再進(jìn)行線性重組,進(jìn)一步降維,并且在盡量保持類間差異的同時(shí)壓制了類內(nèi)的差異.在ORL數(shù)據(jù)庫上隨機(jī)選取每人5幅人臉圖像做訓(xùn)練,剩余的用來識別,進(jìn)行50次實(shí)驗(yàn)取平均識別率,特征臉方法是93.14﹪,Fisher臉方法是91.20﹪,原始的LDB方法是96.14﹪,而本文提出的新的LDB的方法達(dá)到了97.77﹪.在Feret數(shù)據(jù)庫中,特征