论文部分内容阅读
随着科技与社会经济的快速发展,生物特征识别技术渐渐成为身份识别的主流手段之一。人脸识别系统作为接受程度最高,最没有侵犯性的生物特征识别技术,受到了社会与研究界的广泛关注。人脸识别系统,是指自动化的人脸检测与识别系统,该系统首先对输入的图像进行判断,对可能存在的人脸进行提取,并将提取出的人脸与训练库内的人脸比对,进行分类识别。由于人脸的非刚性,人脸识别系统中的各个模块的算法也成为了非常复杂的模式识别问题,其鲁棒性通常较低。针对基于主成分分析的人脸识别方法的鲁棒性,本文提出了一种基于低秩矩阵恢复的2DPCA方法。本文的主要研究工作与创新如下: (1)通过对现有文献的研究,对人脸识别领域的研究现状进行了整理,列举出了研究中面临的重点和难点问题,阐述了人脸识别系统的相关概念、理论,形成了对该领域较为全面的认识。 (2)讨论并分析了数种不同算法在人脸检测模块中的应用及其优劣,并重点研究了Adaboost算法原理与算法流程,以及基于外观学习的Adaboost算法人脸识别方法的实现。 (3)讨论并分析了数种人脸预处理方式,包含对图像清晰度的增强,对图像中噪声的处理以及对图像光照的补偿,并重点研究了倾斜人脸的校正方式。 (4)讨论并分析了现有的基于经典PCA的人脸识别方法,以及能有效提升PCA效率的2DPCA方法。在2DPCA方法较难达到系统鲁棒性要求的前提下,本文提出了一种基于低秩矩阵恢复的2DPCA方法。该方法将原图像矩阵分解为低秩矩阵与误差矩阵,有效地从被噪声污染,或数据缺失的训练样本集中找到待观测数据的低维本征空间,并将之恢复为原始的观测数据,降低了PCA与2DPCA方法对样本集数量与质量的要求。 (5)通过对PCA,2DPCA以及基于低秩矩阵恢复的2DPCA方法的实验仿真,得出了本文方法在鲁棒性与准确性上皆优于PCA与2DPCA方法的结论,验证了基于低秩矩阵恢复的2DPCA方法的实用性。