论文部分内容阅读
随着社会的发展,各个方面对快速有效的自动身份验证的要求日益迫切。由于生物特征是人的内在属性,具有很强的自身稳定性和个体差异性,因此是身份验证的理想依据。这其中,利用人脸特征又是最自然直接的手段,相比其他生物特征,它具有直接、友好、方便的特点,易于为用户接受。 人脸识别概念可简单的描述为:给定某一场景的静态图片或动态视频图像,根据所存储的脸面数据库识别或确认一个或更多的人。在计算机视觉领域里,人脸识别过程分为人脸检测(Face Detection)、特征提取(Feature Extraction)、识别或确认(Face Recognition)三部分完成。特征提取是其中一项非常重要的组成部分。 特征提取是指将数据从原始空间变换到特征空间的过程,该变换使得原始数据由维数较少的“有效”特征数据来表示,而不减少原始数据所包含的内在信息量。目前,已经提出了许多特征提取的方法,其中基于主成分分析(PCA Principle Component Analysis)的Eigenface算法及其变形已经成为测试人脸识别系统性能的基准算法,该方法是模式识别判别分析中最常用的一种线性映射方法,是根据样本点在多维模式空间的位置分布,以样本点在空间中变化最大方向,即方差最大的方向,作为判别矢量来实现数据的特征提取与数据压缩的。 然而传统的Eigenface算法及其变形大都对原始图像的光照有严格的限制,因此不利于其在实际中的应用和推广。针对这一问题,本文提出了一个基于PCA和LDA(线性判别分析Linear Discriminate Analysis)融合的神经网络人脸识别算法。该算法首先利用PCA和LDA分别对图像进行处理,然后将两者的结果进行融合,利用此融合的结果对BP网络进行训练。本算法将PCA与LDA融合得到的优化特征提取与神经网络的自适应性相结合,取得了较高的识别率和优良的抗噪声性能。