论文部分内容阅读
利用计算机进行人脸识别是指计算机分析比较输入到计算机中的人脸视觉特征信息,实现身份鉴定,而使计算机拥有人眼的身份辨认功能。它涉及到认知科学、神经网络、传感器设计、模式识别、图像处理、计算机设计和计算机视觉等多个学科。这些学科的一些新发展可促进人脸识别技术的进步,同样,人脸识别问题的深入研究和最终解决,也可促使这些学科走向成熟。
本文编程实现了基于主成分分析、线性判别分析和基于改进的径向基神经网络的三种人脸识别算法。本文提出的基于改进的径向基神经网络算法结合两种分类器的优点,提高了人脸识别的鲁棒性。该方法由以下部分组成:第一、为改善图像质量,先预处理ORL人脸数据库中人脸图像;第二、将经过预处理的训练图像输入到线性判别分析处理模块中。线性判别分析应用与特征特取时,充分考虑了类别间的信息,使样本在降维后的低维特征空间中,不同类别之间的距离最大,而同一类别之间的距离最小。通过线性判别分析变换所提取的特征就是最优判别特征。本文首先采用主成分分析方法对原始图像处理,得到正交图像数据集,再采用线性判别分析方法进行特征抽取,以避免“小样本”问题。第三、本文在研究了径向基神经网络的基础上,将径向基神经网络作为人脸识别阶段的分类器。基于径向基函数的神经网络的学习算法分为两层。在第一层径向基层学习中,通过线性判别分析方法得到的特征向量,可求得径向基函数神经元的数目和他们的均值向量以及标准方差。在第二层的线性层的学习过程中,连接径向基层和线性层的连接权值可通过最小均方误差的学习规则得到。
本文采用ORL人脸数据库,对本文编程实现的三种算法进行测试,实验结果显示本文提出的方法识别率达到了93.53%,线性判别分析方法的实验结果为92.35%,主成分分析算法的实验结果为90%。通过比对识别率,本文所提方法拥有更好的识别率。