论文部分内容阅读
人脸识别技术已经广泛地应用于公共安全管理、智能监控、数字身份认证和数字娱乐等领域,给人类生产生活带来了巨大的便利。但是当今大多数人脸识别系统都是在某些特定的限制条件下进行人脸识别的,因为人脸识别易受到光照、表情、姿态变化等因素的影响,而且人脸识别中一般都存在着维数高和小样本问题,因此如何克服这些不足就显得尤为关键。本文主要就是围绕这两个问题以及克服光照变化、表情等因素影响而展开,总结如下:1、阐述了什么是人脸识别技术、为什么会用到人脸识别以及一些具体的人脸识别应用;综述了基于频域特征、线性子空间分析、基于核映射的非线性子空间分析以及流形学习的人脸识别方法的国内外研究进展。2、着重分析讨论了线性判别分析及其扩展方法之间的联系和特点,并得出了以下的结论:投影到总体散度矩阵的非零空间,不会损失任何判别信息;大部分线性判别分析扩展方法都要么只利用类内散度矩阵的零空间,要么只利用类间散度矩阵的非零空间,没有充分利用所有判别信息;大间距准则算法能有效地克服小样本问题,操作简单易行,而且是一种很有效且稳定的算法。3、提出一种基于轮廓波变换和双向子空间分析的人脸识别方法,先对人脸进行轮廓波变换得到频域系数,将同一尺度下的所有高频子带融合为一个子带,再用改进的双向子空间分析算法对不同尺度下的融合子带进行特征提取,最后采用最近邻分类器进行分类识别。在常见人脸库上的实验表明,本文方法有效,与主城分析法和双向子空间分析相比,能够得到更高的正确识别率。4、提出一种基于大间距准则的不相关保局投影分析方法,分析了大间距准则和局部保持投影分析的优缺点,从而得到包含类间和类内局部信息的分类准则,用奇异值分解对其进行降维,通过不相关分析发现在大间距准则下提取的判别特征集各分量间一般都是统计相关的,不利于识别,从而推导了不相关判别特征的提取方法。在多种数据库上的进行实验,结果表明它是有效且稳定的,并且与局部保持投影分析、线性判别分析和局部保持的最大信息投影等算法相比,具有更高的正确识别率。