论文部分内容阅读
人脸识别是指通过分析人脸视觉特征信息来判断人的身份的一种自动化计算技术。最近几十年,人脸识别随着计算机处理信息水平的提高而有了很快的发展,为身份识别的自动化发展提供了较好的解决方案。但人脸图像信息量大,容易受到光照、角度等自然因素影响,需要采取较多的样本图像进行比照或训练,并且必须对信息进行筛选以降低计算的复杂度并提取关键判别信息。基于线性子空间的2DLDA(二维线性判别分析)人脸识别算法能够对人脸图像数据降维,它将人脸图像测试样本变换为二维矩阵并对其进行列/行方向的二维线性判别分析,相对于其它人脸识别算法,这种算法的处理速度较快,识别率较高。本文主要研究如何改进2DLDA来进一步提高2DLDA算法的识别效果。本文主要工作如下:(1)2DLDA和复数矩阵LDA都能够对两种不同类型人脸图像进行信息融合。本文通过实验仿真在HFB人脸库中对比了这两种方法在可见光图像和近红外图像信息融合方面的识别效果并分析了产生这种结果的原因。(2)考虑待识别图像较接近该类样本平均图像的特点,本文提出了一种新的基于欧氏距离和平均脸的ED-AF分类器。该方法能够通过权衡最近邻和平均脸的共同影响,而纠正部分偏离较大的测试样本的识别结果。在ORL人脸库上的仿真实验结果证明该方法具有较好的识别效果。(3)2DLDA对处理聚类性较强的人脸图像数据效果比较好,而对于复合分布的数据则可能会错误估计投影转换矩阵,本文根据2DLDA原理,通过研究类内离散度矩阵S w和类间离散度矩阵S b的定义,对S w和S b进行了改进,进而提出了一种保留图像局部信息的自适应增强E2DLDA算法。在ORL和FERET人脸库上的仿真实验结果证明了该方法能够提高2DLDA算法对复合分布的人脸数据库的识别效果。