论文部分内容阅读
理想条件下(用户配合且环境可控)的人脸识别技术已经较为成熟。但是,非理想条件下(有遮挡、姿态变换和光照变换等)的人脸识别技术的性能仍有待提高。本文在分析现有算法的基础上,主要针对遮挡人脸识别中所存在的问题进行了一系列的分析与研究。从人脸图像区域划分,误差算子的计算性能,以及提高图像特征提取方法的鲁棒性等几方面入手。本文的主要创新点如下:(1)为克服人脸重构算法因迭代计算而导致的时间复杂度高和阀值选取难的问题,提出了基于误差检测遮挡人脸的线性识别算法和非线性识别算法。两种算法对经过预处理的图像分别采用线性误差算子(传统误差算子,经对数变换的误差算子)和非线性误差算子(高斯误差算子,经对数变换的高斯误差算子),计算出人脸图像各区域的遮挡误差,并在特征融合节段对遮挡区域赋予较小的权重,从而减小遮挡区域对识别效果的影响。通过实验对比分析发现,遮挡区域检测的准确率与误差算子的优劣存在直接关系,误差算子和特征提取算法共同决定着识别结果的好坏。实验结果表明:使用对数变换高斯误差算子的非线性识别算法较其他算法有一定的优势。(2)提出了基于伪特征值选样本点的KPCA算法。针对经典核主成分分析(KPCA)算法中存在的计算代价与训练样本数目成正相关的问题,本文将基于伪特征值的选点思想应用到KPCA中,依据样本点对总体的代表性大小决定是否将该点保留在训练集中,从而将含有大量冗余信息的样本从训练集中剔除,在降低算法时间复杂度的同时提高识别率。实验结果表明:参数ξ与所选样本间存在着密切的关系,并最终决定识别系统的有效性。(3)将基于伪特征值选样本点的KPCA算法应用到误差检测的遮挡人脸识别算法中,提出了基于伪特征值与误差检测改进的遮挡人脸识别算法。改进的算法有效的结合了二者的优点,并经过AR人脸库测试,实验结果表明该算法确实是有效可行的。