论文部分内容阅读
基于生物特征的识别技术被认为是身份识别的一种最安全、可靠的方式,其主要利用人类特有的个体特征来证实个人身份。计算机人脸识别技术是生物特征识别技术中的杰出代表,它广泛地涉及到图像处理,信号处理和模式识别等多方面的学科知识。人脸识别研究困难较多,比如大量的人脸图像数据,高维向量特性、成像角度和不同光照条件等都对人脸识别提出挑战。实际的人脸识别系统不仅要从畸变、有噪声的图像中对目标做出识别,同时还要具有较高的识别率和较快的处理速度。因此,人脸识别技术是一项十分艰难的任务。本文对人脸识别的理论和方法、小波理论在人脸识别中的应用、光照对人脸识别的影响以及光照不变量的提取方法等方面进行了深入细致的研究。提出了基于小波变换的统计不相关鉴别分析的人脸识别方法,应用小波变换和去噪模型的光照不变人脸识别方法以及基于相邻小波系数的光照不变量的提取方法。更重要的是,本文首次提出对训练过程和测试过程采用双模型的处理方法,即训练过程利用基于相邻小波系数的光照不变量的提取方法来处理训练图像,而对于测试过程则仅仅修改小波低频系数来提取光照不变量,这大大降低了测试过程算法的时间复杂度而使其更易于应用在实际的人脸识别系统。Fisher鉴别分析方法是特征提取中的一个重要方法,统计不相关的线性鉴别分析(ULDA)是非常著名的基于Fisher的鉴别分析方法。但是,它同一些基于Fisher的方法一样都面临一个问题:小样本问题。随着数码技术的发展与提高,采集图像的分辨率越来越高,得到图像的维数则更大。因此,解决小样本问题势在必行。在研究小波变换的基础上,利用二维小波变换对高维图像进行小波分解,利用得到的低频图像进行ULDA特征抽取。在解决小样本问题的同时,又抑制了人脸的表情变化和少许遮挡,提高了特征抽取的有效性。实验结果表明本算法可以大大降低时间复杂度。同时,在ORL库上的识别率可以达到97.5%。在NUST603库上的实验表明平均误识率只有1.4%。本文从理论和实验两个方面分析、证明了该方法在特征抽取和降维方面的优势。光照可以显著地改变人脸特征,同姿势和表情相比,光照问题是机器视觉和人脸识别中面临的更大挑战。本文在研究小波去噪模型理论和图像经小波变换后小波系数的特性的基础上,提出应用小波变换和去噪模型的光照不变量提取算法,并将其应用于人脸识别。提取的光照不变量作为关键人脸特征用于人脸识别。该算法在对数域的光照人脸图像上,利用二维小波变换,得到低频系数和高频系数。将高频系数看作“噪声”,对高频系数利用收缩参数处理,保持低频系数不变,最后利用小波逆变换提取光照不变量。该算法由于引入了小波去噪模型,提取了最小均方差误差的光照不变量,同时使用收缩参数对高频系数做处理,增强了提取光照不变量的边缘特征。在YALE B和CMU PIE人脸库上的实验验证了本算法的高效性。通过对小波系数与光照不变量之间关系的研究,本文发现相邻小波系数的相关性对光照不变量的提取具有重要影响。基于这一发现,本文提出了一种新的基于相邻小波系数的光照不变量的提取方法,该方法考虑到了较小邻域内高频小波系数之间的相关性,通过采用基于相邻小波系数的去噪模型处理高频系数,因此能更有效的去除“噪声”,保留更多的有用信息。对于低频系数不予修改,使得最终提取的光照不变量能够具有较好的边缘保持能力。同时,本文首次提出对训练过程和测试过程采用双模型的处理方法,即训练过程利用基于相邻小波系数的光照不变量的提取方法来处理训练图像,而对于测试过程则仅仅修改小波低频系数来提取光照不变量,这大大降低了测试过程算法的时间复杂度而使其更易于应用在实际的人脸识别系统。在Yale B和CMU PIE的人脸库上的实验表明该方法可以大大提高识别率,在将参数选择在最佳区间[0.9-1.2]内,对不同训练集和测试集测试,识别率都可以达到100%。最后,本文对基于相邻小波系数的光照不变量的提取方法的有效性进行了理论上的分析,并结合理论和实验结果对训练过程和测试过程采用双模型方法的有效性进行了讨论。