论文部分内容阅读
作为生物特征识别技术的一种,人脸识别技术以其独有的非强迫性、较好的隐蔽性等特点逐渐被研究者所重视,日益成为鉴别身份的重要技术手段。人脸识别系统主要分为人脸检测、人脸图像预处理、特征提取以及分类四个阶段。其中,特征提取是人脸识别系统的核心组成部分,特征提取效果的优劣直接影响到人脸识别的准确率。本文围绕特征提取算法进行研究,总结如下:1、阐述了主成分分析(PCA)算法和矩阵的奇异值分解(SVD)思想,进一步介绍将PCA降维后的数据应用到局部保持投影(LPP)算法中,解决了LPP算法中的奇异值问题。但是LPP算法存在计算权矩阵时的参数选择问题以及求解广义特征方程常遇的奇异性问题,为了解决这两个问题,本文研究了基于奇异值分解的有监督无参数局部保持投影(PSLPP)算法,首先利用样本的类别信息以及对离群数据更为鲁棒的余弦距离来描述样本点对之间的相似度,以该相似度为边权,构造无参数近邻图,解决了参数选择问题。其次用奇异值分解方法对样本矩阵进行二次投影,解决了奇异性问题。在ORL和Yale人脸库上的仿真实验表明,本文算法有效,与局部保持投影算法和无参数局部保持投影算法相比,能够得到更高的识别率。2、为解决线性不可分问题,利用核函数将主成分分析(PCA)、局部保持投影(LPP)算法做进一步推广,得到核主成分分析(KPCA)、核局部保持投影(KLPP)算法。针对KLPP算法在计算权矩阵时的参数选择问题,本文研究了有监督的无参数核局部保持投影(PSKLPP)算法,通过将欧式距离改为对离群数据更为鲁棒的余弦距离,构造无参数近邻图,利用核方法提取人脸图像中的非线性信息,并将其投影在一个高维非线性空间,运用局部保持投影算法得到一线性映射,有效避免了在计算权矩阵过程中面临的参数选择问题。在ORL和Yale人脸库上的仿真实验表明,本文算法有效,与主成分分析、核主成分分析、有监督无参数局部保持投影和核局部保持投影算法相比,能够得到更高的识别率。