论文部分内容阅读
人脸识别是图像处理和计算机视觉领域的一项重要研究内容，其主要目的是通过匹配数据库来检测输入的测试人脸图像属于哪一类别。脸部识别率指的是正确识别出的脸部图像的比率。可通过使用图像处理原理增强面部图像本身或通过增强用于识别的技术来提高脸部识别率。本文采用两种方法来增强人脸识别效果:一是在用小波去噪方法对人脸图像进行预处理的基础上提出一种新的基于主成分分析的方法对人脸进行识别，二是采用身份识别方法对基于尺度不变特征变换的匹配过程进行增强。本文的主要研究内容概述如下: 1.对有噪音和无噪音时的人脸识别率进行了对比。我们采用基于小波变换的图像去噪方法利用ORL人脸库来构建新的人脸库，然后对其计算人脸识别率。通过基于单一滤波器(Haar， Daubechies和Symlet)，图像文件格式（JPG和BMP），以及两种预处理环节对图像进行降噪，提高了人脸识别率。本文设计了三个实验以检验单一滤波器的增强效果，实验一中利用直到10层的小波分解来对ORL去噪，PCA则被用于衡量正确率。根据第一个实验结果中表现最好的分解层（1，2，3和10），在第二个实验中对ORL人脸库的不同类别进行降噪。实验三中，我们将Haar10应用于PCA、线性判别式分析(LDA)，核PCA和Fisher分析(FA)等人脸识别方法，并对含有噪声和不含噪声的人脸数据库进行识别。对JPG和BMP格式人脸图像，本文研究对比了含有和不含小波变换去噪过程对单一的滤波器用于人脸识别的效果。此外，本文还引入了两个自适应的图像增强和去噪环节，每个环节均包括三个步骤。第一个环节中，首先利用10层分解的Haar小波滤波器对人脸图像进行去噪，再调整降噪后的图像对比度，最后利用高斯拉普拉斯高通滤波器处理人脸边缘，从而提高了PCA和核PCA的识别率。第二个环节中，首先调整图像对比度，再利用直方图均衡化，最后利用10层分解的Haar小波滤波器进行去噪，从而提高了线性判别式分析和核Fisher判别分析(KFA)的识别率。 我们提出的改进算法得到了更好的结果，在400幅人脸图像数据库测试中，比PCA，LDA，KPCA，和FA在识别率方面分别提高了10％，5％，20％和4％。 2.提出了一种新的基于自适应主成分分析(APCA)和去噪数据库的人脸识别方法。此方法使用Daubechies滤波设计了一种新的基于单级二维离散小波变换的主成分分析方法，克服了PCA缺乏辨别能力和计算复杂度高的两个缺点。ORL人脸库所有的人脸图像被转换为JPG文件格式，并利用10层的Haar小波分解进行去噪，目的是为了阐明:基于小波变换的JPG文件比原始的PGM文件格式具有一定优势。与标准统计主成分分析，核主成分分析，Gabor主成分分析和BP神经网络主成分分析四种方法相比，本文提出的自适应方法在提高准确率，减少运行时间和计算复杂性方面均有较好的效果。 3.提出了一种新的人脸识别方法。该方法由三部分组成:去噪人脸数据库，基于小波变换的自适应主成分分析(APCAWT)方法和尺度不变特征变换(SIFT)方法。其主要思想是在利用APCAWT对ORL数据库进行压缩和去噪的基础上扩展SIFT特征，利用JPG格式进行压缩，利用双小波滤波器（10层分解的BIOR1.1和Haar）进行去噪。由于在SIFT算法中融入了用于特征提取的PCAWT特征脸方法，因此，只需根据特定的阈值比较属于正确匹配聚类的SIFT特征。文中给出了若干实验用以评估我们所提出的去噪滤波器的性能、PCAWT的性能，以及整个APCAWT-SIFT方法的效果。我们发现，使用APCAWT可以减少输入到SIFT的人脸图像的大小，这导致面部图像关键点的数量增加，从而获得良好的匹配结果。