论文部分内容阅读
近年来,人脸识别已成为计算机科学和信息技术领域中最富挑战性的研究课题,有着极为重要的研究意义和实用价值。人脸与人体所包含的其他特征一样,都是固有的,后天不易发生改变的。人脸识别流程基本涉及四个程序段:对人脸图像进行检测和收集、对取得的人脸图像进行必要的预处理、提取人脸图像中益于分类计算的特征、对相应的特征实施判别分类。其中,特征提取在人脸识别中作为近几年独立研究的模块,是模式识别中的关键点,直接影响了识别效果的好坏。本文主要针对特征提取算法进行研究,并进行相应的实验。具体的工作可归纳如下:⑴介绍了人脸识别技术的概念和基本流程,综述了人脸识别的背景和现实意义,简介了基于子空间分析、流形学习算法的人脸识别技术和人脸识别领域的研究动向和进展。⑵第二章重点阐述了主成分分析法,对一维主成分分析的理论K-L变换做了具体的介绍,从理论出发分析了主成分分析的原理,对最小相关性二维主成分分析做了详细的推导,得出以下结论:一维算法首先将人脸图像拉伸为一维向量,破坏了图像原有的内部结构,影响了识别率。而对应的二维算法直接作用于二维人脸矩阵,能够较好的保持图像原有的结构,但是特征分量是统计相关的。因此引进了最小相关性分析。⑶线性判别分析的主要目的是,寻找具有最佳鉴别性的特征向量。第三章介绍了线性判别分析的理论和发展历程。相对于第二章中的主成分分析,线性判别分析提取的特征在分类意义下是最优的。传统的一维线性判别分析在人脸识别过程中通常会遭受奇异值问题的干扰。为此,引入了二维线性判别分析算法,有效地避免了一维算法中可能出现的奇异问题。⑷文章对已有的局部保持投影算法进行研究,发现局部保持投影法没有考虑数据的全局信息,并且提取的判别特征分量间是统计相关的。因此,提出了改进的二维局部保持投影算法:在大间距准则的基础上,引入最小相关性分析。最后分别在三个人脸数据库中对算法进行验证。