论文部分内容阅读
人脸识别因其在安全验证系统、信用卡验证、医学、档案管理、视频会议、人机交互、公安系统(罪犯识别等)等方面的巨大应用前景而越来越成为当前模式识别和人工智能领域的一个研究热点。人脸识别是利用计算机对人脸图像进行处理、分析,并从中提取能表征人脸图像的识别信息,用以进行识别的一门技术。在众多的特征提取技术中,子空间分析方法因其计算简单、识别率高等特性引起了人们的广泛注意,现已成为人脸图像特征提取和识别的主流方法之一。本文致力于基于静态图像的准正面人脸识别方法研究,重点研究了基于子空间的特征提取方法。本文的主要研究内容包括以下几个方面:(1)首先,研究了基于主分量分析(Principle Component Analysis,PCA)人脸识别方法的基本原理和实现过程,并分析了PCA方法的优缺点。考虑到传统PCA方法在处理人脸识别问题时是需要将图像从二维矩阵转化为一维向量,长期以来一直受到高计算复杂度的困扰,近年来提出了一种直接基于图像矩阵的2DPCA方法,其突出优点是大大加快了特征抽取的速度,并且在识别率上也有一定的提高。通过实验给出了2DPCA方法与PCA方法的性能比较,证实了2DPCA方法不但避免了庞大的计算量,而且识别率也有所提高。(2)其次,由于PCA方法易受光照条件等易变因素的影响,在光照变化大的情况下识别率较低。利用Gabor小波可以良好的表达人脸局部纹理特征这一优点,提出了一种结合Gabor小波和主元分析的人脸识别方法。该方法很好的将两者的优点结合起来,实验结果证明了识别率有明显的提高。(3)最后,在特征提取方面引入了线性鉴别分析(Linear Discriminant Analysis,LDA)方法。LDA以样本的可分性最好为目标,能提取出类间离散度最大而类内离散度最小即分类能力强的特征,在理论上优于PCA方法。本文提出了一种改进的2DLDA识别方法:基于图像分块的二维线性鉴别分析(M2DLDA)的人脸识别方法。该方法首先对原始人脸图像进行必要的预处理后进行分块,再对分块后的子图像分别采用2DLDA方法进行特征提取,最后用最小距离分类器进行识别。该方法的优点:分块后能有效的抽取人脸图像的局部特征有利于分类;降低了2DLDA方法提取的特征矩阵的维数;特征提取是基于图像矩阵的,抽取方便快速。在ORL人脸数据库上的实验结果表明:该方法在识别性能上优于LDA和2DLDA方法。