论文部分内容阅读
人脸识别是人工智能最广泛的应用之一。就现在科技发展来看,人脸识别已经被应用于手机解锁、安全支付等生活中。然而,这些技术都是建立在无遮挡情况下。当人脸受到墨镜和围巾遮挡时,往往需要我们摘掉所戴配饰才能进行识别。针对这一问题,本文做了如下工作:1.根据器官特征进行初步识别。首先提取眼睛和嘴巴器官特征,眼睛和嘴巴具有良好的边缘特征,本文利用灰度积分定位其具体位置。并且将提取到的器官特征作为网络的输入样本,进行训练学习。利用器官特征进行初步识别,缩小了人脸检测范围。2.遗传算法(Genetic Algorithms,GA)优化BP神经网络。理论上,BP神经网络主要目的是训练目标和期望之间的误差,采用梯度下降法对网络神经元进行权值和阈值调整。BP算法的主要缺点是训练的权值和阈值趋向收敛于局部极小值,不能保证全局最优。遗传算法由于具有隐含并行性,是一种非常强大的自适应全局式优化算法。通过GA优化BP的权值和阈值,可以改善其局部最优解的缺点,提高收敛速度,有助于人脸识别率的提高。但是由于图像由二维转化为一维,维数增高,网络在训练过程中会产生时间冗余和结构复杂化等问题。因此在输入时采用PCA进行降维,对数据进行预处理。3.RGB空间的图像融合。R、G、B是三种不用频率的可视化颜色,包含了更为丰富的信息。本文提出基于R、G、B人脸重建,重建后的人脸在去除墨镜和围巾的遮挡效果更为明显。在选取R、G、B分量时,利用PCA对三分量进行图像融合,可以更有效、更完整的还原待测图像被遮挡部分内容。实验结果显示,基于RGB空间的融合不仅有效去除遮挡物,在很大程度上提高人脸的匹配速度和识别率。4.人脸全局特征的提取。LDA将高维数据投影到特征子空间,在子空间中确定一组最大类间散布矩阵和最小类内散布矩阵,从而得到最佳投影矩阵。也就是说,模式在该特征空间中有最好的可分离性。然而,LDA总是受到小样本(SSS)问题的困扰。因而,使用PCA对其降维,使得S_w在LDA使用前是非奇异性矩阵。最后利用K近邻分类器(KNN,k-Nearest Neighbor)进行分类识别。最后,本文将研究的方法在AR人脸库中进行不同条件下的实验,并与现有的方法进行了对比。实验证明,本文方法能更有效地去除人脸遮挡物,更好地完成人脸重建,有效地提高了墨镜和围巾遮挡物下的人脸识别率。