论文部分内容阅读
进入21世纪以来,随着计算机软硬件的飞速发展,计算机视觉和模式识别在图像处理技术中也迅速变得家喻户晓,异军突起。越来越多的场合都需要进行入场人员身份的鉴别,这些场合人流量又比较大,传统的身份验证方法在这个信息量日益膨胀的时代显然已经无法满足人们的需求。简单、迅速快捷、正确率高的人脸识别技术应运而生。与人类其他生物特征如指纹识别、虹膜识别、语音识别等相比,人脸识别显得更加的直接、方便和友好。人脸的特征比其他任何一种人的生物特征都更适合作为区别人与人的重要信息,因为这种观点符合人们的正常认识逻辑,人们可以直接用眼睛分辨出来,简单易行。因此,在人脸识别技术提出不久,就迅速在计算机领域引起了巨大反响,并且很快成为人类生物特征识别技术的热门研究对象,发展和应用前景一片光明。无论是在理论研究还是在实际的开发方面都取得了很好的发展,大大地降低了人力劳动成本,并且带领着与之相关行业的信息化和现代化。几十年来,人脸识别技术的发展从来都没有停止过,很多研究人员都提出了自己的不同方法来应用到人脸识别技术中来,虽然已经取得了不错的成果,但是还是存在一些仍然没有得到彻底解决的难题,比如说识别速度慢,在某些人脸数据库上识别率不高等等一些问题。产生这些问题的原因有很多,比如说人脸图像的光照,旋转,遮挡等一些客观因素,这些就是我们在人脸识别技术中所要考虑和解决的问题。本文提出一种改进的二维近邻保持嵌入的人脸识别方法。与主成分分析(PCA)不同的是,近邻保持嵌入算法是一种基于流形的子空间学习方法,它主要考虑了数据集合的局部近邻结构,而PCA主要是投影之后保持数据集合的全局欧氏距离。近邻保持嵌入考虑了数据的局部近邻信息,投影之后继续保持这些相关数据的近邻特征。但是它在构造近邻矩阵时,忽略了人脸图像的局部特征,将人脸拉成向量来计算权值矩阵,导致人脸图像的一些局部特征丢失。与局部保持投影(LPP)不同的是,近邻保持嵌入的权值矩阵不是事先得到的,而是通过计算得出的,更能够表示数据之间的近邻关系。另外,人脸图像变成一维向量时,维度变得很高,计算起来比较困难,因此,本文提出2D的思想对近邻保持嵌入算法进行改进,也即二维的近邻保持嵌入人脸识别方法。在计算人脸的近邻矩阵时考虑到人脸的局部特性,不使用一维的向量来表示人脸,而是直接使用二维的矩阵来描述人脸图像,这样不仅保留了人脸的局部特征,而且大大降低了计算量。为了验证本文提出的方法,我们在Yale,ORL,AR三个最常用的人脸数据库上做了大量的实验,实验结果表明,与近邻保持嵌入方法相比,改进的二维近邻保持投影方法不仅在识别率上有了较大的提高,而且运行速度也有明显的改善。