论文部分内容阅读
人脸识别技术就是利用计算机对人脸图像进行分析,获得有效的信息来辨认身份的一门技术,涉及到的学科有模式识别、机器学习以及计算机视觉等方面的知识。并且该技术在门禁系统、刑事识别、视频监控等领域有着广泛的应用。但人脸识别往往受到光照、角度等变化的影响,同时在保证较高识别率的情况下,能够降低识别时间,这些都将制约着人脸识别的发展。人脸识别处理过程首先要进行图像的预处理,其次是特征提取阶段,最后是识别阶段三个阶段。本文的研究重点在特征提取。本文在基于经典的PCA方法基础上,研究了2DPCA和模块2DPCA,并在此基础上提出了融合模块2DPCA和PCA人脸识别方法和一种基于模块2DPCA的独立特征抽取方法。具体研究工作安排如下:首先介绍了在特征提取阶段,分别研究了2DPCA右向压缩R2DPCA、左向压缩L2DPCA以及模块2DPCA。对于PCA,由于原始图像的维数很高,样本数据少,往往会出现奇异值问题,即小样本问题。并且在整个特征提取和识别阶段中耗时长。为了解决此问题,提出了二维投影人脸识别即2DPCA。对图像做行向量的转变是进行PCA算法第一步要做的事情。但是在求取总体散布矩阵时计算量又比较复杂,所以在此基础之上提出了2DPCA的处理方法。该方法在对图像进行特征抽取之前不用将子图像转化为图像向量。这种方法可以快速的降低鉴别特征的维数。又由于人脸分布的特性,局部特征明显,故有人提出了基于模块2DPCA的人脸识别方法。其次介绍了模块2DPCA和PCA融合的方法以及基于模块2DPCA的独立特征抽取方法。由于模块2DPCA所获得特征数量仍然较大以及提取特征中仍具有一定的相关性,影响分类速度。为了解决这一问题,本文提出了采用融合模块2DPCA和PCA方法。再次考虑到每一子图像所具有的特征,故对其进行独立特征抽取,即在本文中所说的基于模块2DPCA独立特征抽取。最后,该实验在常用的人脸库Yale和ORL中进行验证,通过实验表明,本文提出的两者结合的人脸识别算法具有较好的识别率;同时基于模块2DPCA独立特征抽取方法对光照、表情变化较大时,具有较好的鲁棒性和较高的识别率,达到了预期的效果。