论文部分内容阅读
人脸自动识别技术作为生物特征识别技术的重要组成部分,在近三十年里得到了广泛的关注和研究,已经成为计算机视觉、模式识别领域的研究热点。人脸识别问题涵盖了图像处理、模式识别和计算机视觉等多个领域,它主要有特征提取和模式识别两个部分。特征提取是从人脸图像中提取可以用来分类的信息;而模式识别则是利用提取的特征进行模式分类。本文以此为重点进行了相关的研究,主要内容如下:
在特征提取环节,本文用主成份分析(Principal Component Analysis,PCA)和独立分量分析(Independent Component Analysis,ICA)用于人脸特征的提取,并比较了这两类特征在用于人脸识别中的差异。在人脸识别中,不经预处理的人脸图像的维数非常高,高维图像的识别不仅增加了识别系统的复杂度和成本,而且增加了计算的复杂度,可能导致无法满足实时性的要求;同时不经处理的人脸图像中含有很多冗余的信息,影响了正确分类结果。针对传统的ICA算法存在迭代次数多,收敛难的不足,本文采用FastICA作为ICA的快速算法。
在分类判别中,分别用最近邻(Nearest Neighabor,NN)法、最近邻特征线法(Nearest Feature Line,NFL)法与本文提出的改进的基于NN和NFL联合的分类器,对ORL人脸库提取的PCA和ICA特征进行了识别,并与BP神经网络进行了比较。本文还将一个自适应BP神经网络用于人脸识别。自适应的BP神经网络,能够自动删减输入层,选择合适的特征,避免了NN和NFL分类器那样重复选择特征寻找最优特征个数的过程。
实验结果表明,ICA特征优于PCA特征,改进的基于NN和NFL的分类器分类效果优于NN和NFL分类器,识别率略逊于自适应的BP神经网络分类器,但是训练速度比BP神经网络快。