人脸识别是一个具有很高理论和应用价值的研究课题。人脸是人类视觉中最为普遍的模式,它所反映的视觉信息在人与人的交流和交往中有着及其重要的作用意义。人脸的特殊性,使得人脸识别技术成为最具潜力的身份识别方式。人脸识别技术应用广泛,并且日益受到人们的广泛关注并成为模式识别领域研究的热点。同时人脸识别又是一个复杂和困难的课题,其原因有:人脸是由复杂的三维曲面构成的可变形体,难以用数学描述;所有的人脸结构高度相似,而人脸图像又易受年龄和成像条件的影响。人脸识别涉及的技术很多,其中关键的是特征提取和分类方法,本文以此为重点进行了相关研究,主要内容如下: 人脸识别中,人脸图像的信息不仅存在于象素间的二维统计特性中,更存在于象素间的高阶统计特性中。传统的基于主分量分析(Principle Component Analysis,PCA)的人脸特征提取方法,只能得到人脸图像象素间的二阶统计信息,以此为基础的特征脸法,易受光照条件等易变因素的影响。本文将独立分量分析(Independent Component Analysis,ICA)作为人脸特征提取方法,同时用分类能力作为特征选择的依据,所提取的特征分类能力强、相互独立,并且对象素间高阶统计特性敏感,不易受光照变化的影响。因此基于ICA的人脸识别方法的识别性能优于特征脸法。传统的ICA算法(Informax算法)存在迭代次数多,难收敛的不足,并且需要人工设定步长来调整学习速度。本文采用FastICA作为ICA的快速算法,该算法无需人工参与,迭代次数少。本文还将FastICA的关键迭代步骤加以改进,减少了耗时的雅可比矩阵求逆的运算次数,进一步提高了收敛速度。 为了更好的综合人脸特征进行分类识别,本文将隐马尔可夫模型(Hidden Markov Models,HMM)引入到人脸建模中。一维HMM(1D-HMM)表现二维人脸图像存在不足,但训练识别比较简单;伪二维HMM(P2D-HMM)可以较精确描述二维人脸图像的统计特性,但结构复杂、运算量大。综合考虑二者的优缺点,结合支持向量机(SVM)对静态数据识别效率明显的长处,本文建立了基于ICA特征的SVM和HMM的混合人脸识别模型。实验结果表明该混合模型结构简单,运算量小,并且获得了与P2D—HMM相当的识别效果。 本文的主要工作包括以下几个方面:1.在人脸图像特征提取方面,提出了一种有效的基于ICA的人脸整体特征提取方法;2.在优化ICA算法方面,提出了一种改进的FastICA算法,该算法通过减少耗时的雅可比矩阵求逆的次数,进一步加快了收敛速度;3.建立了SVM/HMM的混合人脸模型。