论文部分内容阅读
人脸识别技术发展了已有很久,特别是如今,在经济生活、军事、安全等都有着长足的发展。在众多的人脸识别技术中基于主成分分析(Principal Component Analysis,PCA)的特征脸方法是目前研究使用最为广泛的人脸识别方法之一。该算法能够丢掉人脸图像间的冗余信息,使高维图像降维后能有更好的分辨能力。但是与此同时,PCA算法也有着很多缺点,本文针对其两个缺点:1.对光照影响大,2.计算量大,提出了两种改进方法。本文所做工作包括:(1)对图像的预处理:对在特征提取和识别分类前的人脸图像进行几何矫正、直方图均衡化、滤波去噪等处理。此工作内容虽然简单但是对其最重的识别率却有着重要的影响。(2)针对传统PCA算法对光照影响大的缺点,提出一种改进分块PCA算法并和SVM(Support Vector Machine,SVM)分类器相结合来进行人脸识别。该算法的核心思想是利用能够减少光照影响的分块PCA算法和一种改进的PCA算法相结合。结合后的混合算法能够进一步减小光照带来的影响提高识别率。其中与之结合的改进PCA算法的关键是给受光照影响最大的三个主分量上加上小于1的权值,结合后的改进算法再利用SVM分类器对图像进行最终的分类识别。实验表明该方法可以有效的减小光照对最终识别率的影响。(3)针对PCA的另一个缺点:由于在人脸识别时需要将人脸图像先变为向量再求其协方差矩阵的特征值特征向量,这种方式往往会有极大的运算量。所以本文提出了一种改进的2D2DPCA(two-directional two-dimensional principal component analysis)和SVM相结合的人脸识别分类方法。除了利用2D2DPCA本身的减小运算量的优点之外,和上一个改进算法一样引入改进PCA算法(受光照影响最大的三个主分量上加上小于1的权值)的思想,该改进后的混合算法能够有效减小运算量,降低训练时间,还能一定程度减小对光照的影响。