论文部分内容阅读
人脸识别是模式识别和机器视觉领域中的一个重要课题。本文首先叙述了几种常用的人脸模型识别方法：(一)用特征脸和LDA相结合的方法进行人脸识别，先用特征脸获取最佳描述特征，然后用LDA获取最佳分类特征；(二)基于非线性子空间的核独立成分分析(KICA)方法，从训练样本中找到一组相互独立的成分，并以此来描述样本数据，利用ICA算法进行人脸识别；(三)基于支持向量机的自动人脸识别方法，先应用K-L变换对人脸图像进行特征提取，然后利用支持向量机器进行识别。 对在不同视角下，得到的人脸模型，本文提出一种新的基于人脸表面的识别方法。经典的方法首先对原始图像在尺度和方向上进行标准化，从而使双眼在同一位置，将变换后的面部作为最终的图像。这个变换只是相似变换，没有考虑透视变形，对这个问题，本文是这样处理：因为人脸的面部可以近似地看作是一张平面，为此，把图像之间看作是射影变换，将计算它们之间的射影(单应)变换。通过射影变换将它们对齐，而后利用PCA进行表示和识别。与传统的运用PCA相比较，这个方法克服了由于模型在平面上的位置不同，而被误判为不同的类别。基于这种方法，由光线，姿态的改变引起的变化就可以被消除或忽略。我们将本文提出的方法与以上各种方法加以比较，在夹角为0°，6°，12°，18°，24°，30°分别进行识别，可以看出，本文的识别方法受夹角的影响不大，而其它的方法在夹角逐渐变大时，错误率明显增加，因此本文的方法更适合在真实环境下识别人脸图像。 实验结果显示，本文的方法对人脸模型提供了更好的表达，并且人脸识别的错误率更低。为了能用较少的特征个数得到较高的识别速度，对所需要提取的有效特征个数一并进行了选择。