基于線性投影分析的人臉識(shí)別算法研究.pdf

1、生物特征識(shí)別是一項(xiàng)利用人類特有的生理或行為特征來(lái)進(jìn)行身份識(shí)別的技術(shù)，而人臉識(shí)別是生物特征識(shí)別中最受人們關(guān)注的一個(gè)分支。近年來(lái)，人臉識(shí)別已成為模式識(shí)別和人工智能領(lǐng)域中的一個(gè)非?；钴S的研究方向。人臉識(shí)別在法律、安全、商業(yè)等領(lǐng)域具有廣泛的應(yīng)用前景。過(guò)去幾十年中該課題的研究己經(jīng)取得了較大的進(jìn)展，眾多研究者提出了很多識(shí)別方法，如基于主成分分析的方法、基于線性判別分析的方法、基于獨(dú)立成分分析的方法、基于小波的方法、基于神經(jīng)網(wǎng)絡(luò)的方法和基于離散余弦變

2、換的方法等。由于受到復(fù)雜的光照條件，多變的人臉表情，以及姿態(tài)變化的影響，到目前為止，己經(jīng)取得的研究成果離這一問(wèn)題的徹底解決還有一定的距離。本文旨在已有的研究成果的基礎(chǔ)上，做更進(jìn)一步的探討和研究。論文主要研究?jī)?nèi)容和成果如下：
　　1．提出一種基于局部特征融合的人臉識(shí)別方法。由于傳統(tǒng)的主成分分析方法提取的是人臉圖像的整體特征，而不能反映人臉圖像的局部信息，所以在復(fù)雜的人臉表情和光照條件下，該方法的識(shí)別性能并不理想。針對(duì)這一問(wèn)題，首先將

3、人臉圖像劃分為尺寸相同的子圖像，并對(duì)相同位置的子圖像進(jìn)行主成分分析，建立投影矩陣，然后分別提取每個(gè)子圖像的特征。在分類時(shí)，首先對(duì)每個(gè)子圖像進(jìn)行模糊分類，然后采用模糊綜合的策略融合每個(gè)子圖像的模糊分類結(jié)果，最后根據(jù)隸屬度最大原則確定人臉的分類結(jié)果。通過(guò)仿真實(shí)驗(yàn)比較驗(yàn)證了這種分類算法的有效性。
　　2．提出基于改進(jìn)的線性判別分析的人臉識(shí)別方法。線性判別分析是一種有效的特征提取方法，但是在小樣本情況下，當(dāng)訓(xùn)練樣本中存在個(gè)別野值點(diǎn)時(shí)，會(huì)給

4、所求得的最佳判別矢量帶來(lái)較大的影響。針對(duì)這一問(wèn)題，本文提出使用加權(quán)的方法來(lái)減小野值點(diǎn)的影響，即根據(jù)訓(xùn)練樣本與類內(nèi)其它樣本之間的距離對(duì)該樣本加權(quán)，然后用加權(quán)后的樣本重新計(jì)算類均值，并以新的均值向量和原訓(xùn)練樣本重新生成類內(nèi)散布矩陣和類間散布矩陣，接下來(lái)，根據(jù)Fisher準(zhǔn)則計(jì)算最佳判別矢量。另外，在每類樣本中只有一個(gè)訓(xùn)練樣本時(shí)，訓(xùn)練樣本的類內(nèi)散布矩陣是零矩陣，這種情況下無(wú)法直接應(yīng)用線性判別分析，為了在單訓(xùn)練樣本情況下應(yīng)用線性判別分析，本文提

5、出使用采樣的Fisherface方法進(jìn)行人臉識(shí)別。仿真實(shí)驗(yàn)驗(yàn)證了這兩種方法的有效性。
　　3．提出基于小波變換和圖像投影分析的人臉識(shí)別方法。首先對(duì)人臉圖像進(jìn)行若干級(jí)小波變換，得到人臉圖像的低頻子帶系數(shù)，然后對(duì)低頻子帶系數(shù)進(jìn)行二維主成分分析或二維線性判別分析，提取人臉圖像在頻域上的特征。仿真實(shí)驗(yàn)證明該方法能進(jìn)一步提高識(shí)別性能。
　　4．提出基于離散余弦變換和線性判別分析的人臉識(shí)別方法。DCT變換本身并不進(jìn)行數(shù)據(jù)壓縮，它只是將圖