论文部分内容阅读
人脸识别是计算机视觉和模式识别领域中非常活跃的一个研究方向，在生物特征识别中占有很重要的地位，它不仅在国家安全、公安、金融、安检等身份鉴别系统中有广泛的应用，而且在可视通讯、人机接口等领域也有深入的应用。人脸图像的特征提取和分类器设计是影响人脸识别效果的重要组成部分。针对人脸识别中遇到的表情、光照、姿态等影响以及“小样本”问题，并且考虑到小波变换后得到的低频子图对人脸的表情和姿态具有相对不敏感性，以及支持向量机(Support VectorMachines,SVM)算法在处理高维、小样本问题时具有的优势，本论文主要研究了小波变换在人脸特征提取中的应用和支持向量机在人脸分类识别中的应用，并对其进行了改进和创新，主要工作及贡献如下：（1）首先介绍了小波变换和支持向量机的基本原理以及在人脸识别中的应用，然后介绍了主成分分析(Principal Component Analysis，PCA)方法和线性判别分析(LinearDiscriminant Analysis，LDA)方法在人脸特征提取中的应用，并使用融合的PCA-LDA算法对人脸进行特征提取，通过在ORL和YALE两个人脸数据库上进行对比实验验证了算法的有效性。（2）提出了一种基于离散二维小波变换和SVM的人脸识别方法。该方法首先对人脸图像进行二层二维小波分解，只选取第二层的低频子图像，然后利用融合的PCA-LDA算法进行特征提取，最后利用SVM进行分类识别。通过仿真实验验证了小波分解和SVM参数对识别率的影响，此外，仿真结果表明，与其它人脸识别方法相比，该方法取得了较高的识别率。（3）为了有效利用小波分解后的部分高频子图信息，同时很好地优化SVM的参数，本文提出了一种基于加权小波分析和PSO-SVM的人脸识别方法。该方法首先对人脸图像进行二层二维小波分解，对得到的第二层的4个子带图像的小波系数进行加权求和并作为新的小波系数，然后利用融合的PCA-LDA算法进行特征提取，最后使用粒子群优化(Particle Swarm Optimization，PSO)算法对SVM进行参数寻优并利用SVM分类器进行人脸识别。仿真结果表明，与其它人脸识别方法相比，该方法取得了很好的识别效果。