论文部分内容阅读
人脸识别技术是计算机模式识别领域非常活跃的研究课题,在法律、商业、安全系统等领域有着广泛的应用。由于人脸图像的特殊性,人脸识别问题也是模式识别领域的一个相当难的问题,要使这一技术完全成熟还有很多工作需要去做。随着社会的发展与技术的进步,人脸识别技术的应用必然会越来越广泛。人脸识别系统是一种基于信息处理的模式识别系统。它主要包括两大部分:特征提取部分与模式识别部分。特征提取部分是要从人脸图像中提取可以用来区分不同人的人脸图像的特征信息,后半部分的作用是对于从前半部分提取的特征信息进行分类,整个系统的识别率由这两部分共同决定。对于特征提取部分,本文采用的是统计模式识别方法中的基于二阶矩和高阶矩的方法。本文系统地介绍了目前经典地人脸识别算法,包括传统PCA方法和Fisher脸方法,以及基于核的模式识别方法以及直接基于图像的二维PCA和二维LDA。以前的方法没有考虑到训练样本的质量问题,如果训练样本存在误差,那么将会误导分类器的训练,形成不佳的投影方向,受基本思想的启发,本文提出一种对训练样本进行调节以减少训练误差的方法。Fisher人脸识别是一种小样本的模式识别,如何利用有限的样本,生成一些新的样本,提取更多的特征是需要解决的一个问题。本文提出一种样本生成的方法使分类器得到足够的训练。实验证明,该方法在样本数少的时候,非常有效。在利用Fisher脸进行识别的时候,必然会遇到类内散布矩阵奇异的情况,这时候Fisher方法发挥不了作用,本文从分析扰动法入手,提出一种新的消除类内散布矩阵奇异的方法,并用实验对扰动法以及先PCA变换然后作Fisher变换进行比较,证明了其有效性。在分析2PDCA的基础上,我们提出了一种与杨健提出的2DPCA等价的一种方法。该方法直接把所有训练样本放在一个矩阵里面,总体求散布矩阵,实验证明该方法还是很有效的。