论文部分内容阅读
作为最具挑战的研究课题,人脸识别技术近年来备受人们的关注。人脸识别是一种通过计算机提取人脸的特征,并根据这些特征进行身份验证的技术。人们对人脸识别技术的研究已有了很长一段时间,并且产生了许多有效的方法,但如何运用这些方法来满足不同条件下的识别需求,仍然是目前研究的重点。本文对现有的人脸识别方法进行了研究与总结,并引入析取范式的概念,提出一种基于析取范式随机森林的人脸识别方法。论文的主要工作及创新点如下: (1)对国内外人脸识别方法进行总结和分析,并对目前几种热门的特征提取方法和分类器算法进行详细介绍。 (2)为了对随机森林算法中的弱分类器进行有效的整合,提高模型的分类能力,本文引入析取范式的概念,提出一种基于析取范式的随机森林模型——析取范式随机森林。本文将析取范式构建模型的思想应用于随机森林算法中,先对随机森林中的弱分类器进行整合,再利用后向传播的思想建立全局目标函数,进而达到使模型中所有弱分类器都能在统一框架下进行学习的目的。实验结果表明,将析取范式构建模型的思想应用于随机森林算法中,可以有效地提高模型的分类性能,减小模型的泛化误差。 (3)本文除了采用对比的实验策略对模型的训练时间和错误率进行测试外,还考虑到在实际实验过程中,可能会出现人为标错样本或边缘样本错误标注的现象。所以实验中加入了一定数量的错误样本,进而验证模型对错误样本的容忍能力,即考察加入错误样本后模型的分类准确率是否会产生很大的变化。实验结果表明,与随机森林相比析取范式随机森林对错误样本有很强的容忍能力。 (4)本文采用多方向二维主成分分析方法对人脸图像进行特征提取,并用析取范式随机森林模型对人脸图像进行识别。本文采取对比实验策略,通过与随机森林模型实验结果的对比,验证析取范式随机森林模型在人脸识别方面的优越性。 实验结果证明本文提出的析取范式随机森林方法在人脸识别中是可行的,并且由于本文提出的模型比随机森林模型的分类性能好,所以在识别率方面和随机森林模型相比有所提高。