论文部分内容阅读
人脸识别是一种利用计算机分析人脸图像特征以实现人的身份验证的技术,由于它在法庭举证、持卡人识别、视频监控等方面都具有巨大的应用价值,目前受到各国政府及其军事、安全、情报部门以及科研单位的广泛关注和高度重视。一个完整的人脸识别系统由人脸检测、人脸图像预处理、人脸特征提取、图像间相似度计算等功能模块组成。本文的研究内容主要包括以下几个方面:(1)人脸图像预处理本文提出了人脸识别预处理的一些基本方法,如:直方图均衡化方法的图像增强、图像恢复、以及图像旋转和纯脸分割。实验表明这些方法能够大大提高识别率,并节省大量存储空间。通过这些方法,我们可以得到最佳识别效果的图像。(2)小波变换在人脸识别中的应用因其良好的时频局部化特性,能够提供最为实质的人脸特征、削弱噪声的干扰、减少计算量,因此将小波变换应用于人脸识别的图像压缩和图像融合有良好的发展前景。(3)研究并对比了四种典型的人脸特征提取方法主成份分析方法PCA、采用基于主成分分析(PCA)的特征脸法,将人脸图像区域看成一个随机向量。利用K-L变换获得的正交基底的线性组合来描述、表达和逼近人脸图像,并提取人脸的特征。Fisher线性判别分析方法是将原来高维的模式样本投影到最佳鉴别向量空间,以达到抽取分类信息和压缩特征空间维数的效果,试验表明,基于Fisher线性判别分析的方法能比传统PCA获得更好的效果。离散余弦变换(DCT)是一种优良的数据压缩方法。本文介绍了DCT在人脸识别中的降维应用:DCT变换系数矩阵左上角的有限个系数包含了人脸图像的大部分信息,这部分信息更有利于识别,因此仅保留这部分系数可以起到降维的目的。独立成份分析方法(ICA)是基于信号高阶统计特性的分析方法。对所提出的算法,本文在ORL与Yale人脸库上进行了大量反复实验,实验结果表明,独立成份分析方法(ICA)的法识别率最高,需要的计算量也最大。主成分分析(PCA)的特征脸法识别率最低。需要的计算量也最小。(4)在分类器设计方面,本文研究并对比了K-近邻(K-NN)分类方法和支持向量机方法。其中,支持向量机方法具有全局最优、结构简单、推广能力强等优点,因此作为结构风险最小化准则的具体实现,最近几年得到了广泛的研究与发展。最后,提出一种基于二值模板匹配的人脸识别方法。该方法通过计算两幅中重叠的前景像素数在其总的前景像素数中所占的比例来衡量两幅人脸图像的相似度。用Yale人脸图像的实验表明,该方法能够以较快的速度获得比PCA法更高的识别率,二值模板匹配法能同时获得较高的光照鲁捧性和表情鲁棒性,从而更加符合实际应用的需要。