论文部分内容阅读
人脸识别技术是生物特征识别技术的重要组成部分。通过从图像中分割出人脸图像部分,再从人脸图像中提取识别特征,根据特征进行类别辨认(比如用于门禁系统的人脸辨认)和识别分类(比如用于个人身份认证系统的人脸识别)。人脸特征和人的其他生物特征一样,在一般情况下,可以认为是每一个人与生俱来的。任意两个人之间,这些生物特征都是可识别分辨的,因其具有基于个人的唯一性和长期稳定性的特点。与其他生物特征识别方法相比,人脸识别的最大优点是非接触性。人脸识别系统易于被接受,原因是人脸图像可以非接触、较远距离即可获取,识别系统的运行具有良好的非干预性和隐秘性特点。人脸识别技术在区域安全控制、刑事侦破、海关出入、商业个性化服务等领域具有广泛的应用前景。主成分分析(PCA)方法是第一个用于人脸识别的模式识别方法,二维主成分分析(2DPCA)是对PCA的改进,PCA把图像按行或列优先转化为一维数据系列,再求一维系列的主成分,而2DPCA则是直接通过图像矩阵构造图像协方差阵,因而协方差矩阵规模变小,可以显著减少计算量。本文首先详细重述了这两种识别方法,并用人脸识别实验对其做了对比。由于支持向量机(SVM)非常适合于小样本多特征的识别问题,且被证实在很多模式识别应用中具有良好的推广性能,所以本文接着对不同SVM核函数的人脸识别效果做了仿真实验和分析,并得出采用径向基函数(RBF)做为SVM的核函数时,比其它核函数识别效果好。本文的研究重点是人脸图像的剪切小波(Shearlet)特征提取,和基于图像Shearlet变换的人脸识别。人脸Shearlet特征是人脸图像经Shearlet小波变换后的剪切小波系数。Shearlet小波是在经典小波基础上发展起来的一种多尺度分析工具,Shearlet小波具有多分辨率特性,还具有很好的方向性和各向异性,比轮廓小波和经典小波的稀疏性能更佳。通过对图像离散Shearlet变换域的高低频域进行分析重构,提取出人脸图像的Shearlet特征;利用Shearlet变换和RBF径向基神经网络相结合做为人脸特征提取方法。最后采用性能最佳的RBF作为核函数构建SVM,以此作为人脸识别分类器。使用ORL人脸数据库和Yale人脸数据库的仿真实验表明:Shearlet特征识别性能良好,适合于人脸识别;Shearlet特征应该作为构建人脸辨认或人脸识别系统的重要备选特征。