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。