论文部分内容阅读
生物特征是人的内在属性,具有很强的自身稳定性和个体差异性,因此是身份验证的理想依据。其中,利用人脸特征又是最自然直接的手段,相比其他生物特征,它具有直接、友好、方便的特点。人脸识别技术是计算机视觉与模式识别领域的研究热点,在身份验证、电视会议、人机界面、可视通信、公安档案管理、安全部门、基于内容的图像检索等很多方面有着广泛的应用。人脸识别过程一般可以分为人脸的检测和预处理、特征提取、匹配识别三个部分。本文对人脸的检测和识别技术进行了系统、详细的研究。 在人脸图像的预处理阶段,本文主要完成对人脸样本的图像增强、几何及灰度归一化工作。这些工作有效地改善了图像质量、降低了计算复杂度,从而提高了后续算法的收敛速度,并且使用了二维小波变换压缩数据。二维的小波分解具有对表情变化不敏感的特点,将图像的大部分能量集中到低频的子图像,高频部分则对应于图像的边缘和轮廓,可以很好地压缩和表征人脸图像的特征。 在人脸特征提取阶段,文中详细介绍了人脸图像几何特征和统计特征提取的方法,例如几何特征提取法,奇异值分解方法,线性鉴别分析,离散余弦变换,基于小波变换特征提取等方法。重点介绍了本论文所使用的主分量分析和定点独立分量分析的方法,定点独立分量分析是一种基于高阶统计信息的特征提取方法,收敛速度快克服了一般ICA收敛慢的缺点。 在人脸图像的识别阶段,文中详细介绍了最小距离法和支持向量基等识别方法。重点介绍了本论文所使用的神经网络的识别算法。径向基函数(RadialBasis Function,RBF)理论为多层前馈网络的学习提供了一种新颖有效的手段。RBF神经网络是一种性能良好的前向神经网络模型,RBF网络不仅具有良好的推广能力,而且计算量小,速度快。 最后,本文对ORL人脸库和YEL人脸库进行仿真,识别率能达到98%以上,明显比传统的方法提高了识别速度和识别率。