论文部分内容阅读
人脸识别是我们日常生活中应用到的最重要的技能之一.由于对公共安全的日益关注等原因使得自动人脸识别备受关注。它起源于二十世纪六十年代，并且在近年来取得了重大进展，若干人脸识别和模型系统得到了开发和部署.然而，对于机器视觉和模式识别的研究者而言，鲁棒而精确的人脸识别仍然是一个巨大的挑战，尤其是在无约束条件下的人脸识别. 本文中，一方面我们提出了与特征提取相关的三种算法，具体内容如下: 1.对训练集利用整体奇异值分解进行降噪处理，然后结合已有的一些线性特征提取方法，像随机脸，特征脸，拉普拉斯脸等对训练集和测试集做降采样，最后分别用NN，NS，SRC等分类方法做分类判别. 2.先对训练集和测试集做特征提取，然后对特征提取后的训练集做局部奇异值分解，最后用NN，NS，SRC等分类方法做分类判别. 3.把算法1和2的内容结合起来，即先对训练集做降噪处理，然后用前人的方法做特征提取和局部奇异值分解，最后再用NN，NS，SRC等分类方法做分类判别. 通过实验对比分析得出结论:在绝大部分情况下，算法1，2，3在低维时识别率比只用一种特征提取方法要高，并且所用时间不相上下;高维时由算法1得到的识别率比只用一种特征提取方法的要好. 另一方面，对特征提取后的训练集，用OMP算法做分类判别，由实验对比分析得出结论:在同一种特征提取方法下，由OMP算法做分类判别得到的识别率比其他的三种分类方法要高，并且在同时用OMP算法做分类判别的前提条件下，我们所提出的三种算法在大部分情况下比单纯用一种特征提取方法要好. 本文共分为5章:第一章，主要介绍了人脸识别的研究内容和历史背景.第二章和第三章分别给出了常用的特征提取和分类方法.第四章，针对特征提取方法提出了三种算法，并对这三种算法和前人的方法进行了实验对比分析.第五章，用OMP算法进行分类，同时也通过实验对比分析这种方法的优劣.