论文部分内容阅读
人脸识别是模式识别和计算机视觉领域非常活跃的研究课题,在国家安全、军事等领域有着广泛的应用前景,一直受到很多研究学者的关注。由于人脸图像的特殊性,人脸识别问题是模式识别领域的一个相当困难的问题,通过人脸图像来进行人脸识别仍然面临巨大的挑战,要使这一技术成为完全成熟的技术还有许多工作需要去做。本文重点对人脸特征提取与识别的关键技术进行了分析研究,认真学习和理解一些具有代表性的人脸识别理论及方法,深入了解本学科领域的尖端成果和发展态势。论文研究的主要内容及创新点包括以下几个方面:(1)讨论了图像预处理及人脸检测的一些方法,介绍了Haar矩形特征和积分图像的概念,研究了Adaboost机器学习算法的基本原理,应用Adaboost算法和矩形特征构建了人脸检测级联分类器,以Intel公司开发的OpenCV(Open Source Computer Vision Library)作为基础函数库,利用Visual C++开发语言编程,实现了人脸图像的检测,测试了分类器的性能,并分析了级联分类器较之其它检测方法的优秀特性。(2)在对当前多种经典人脸识别方法进行分析、比较的基础上,总结了现有方法的优势以及存在的技术困难。重点分析了特征脸方法的优点与不足。(3)在深入研究分析加权PCA以及监督类PCA(Supervised PCA,S-PCA)的数学原理的基础上,提出了基于S-PCA的人脸识别方法。该方法较特征脸方法的最大优势是在训练样本数据时不仅利用了PCA本身所固有的能量聚集特性,同时利用Laplacian矩阵的特性,最大程度上利用了样本的分类信息。通过在ORL人脸图像库以及摄像头采样样本库上的算法测试,结果表明其分类效果较PCA有较大提高,取得了比较满意的识别率。(4)基于离散余弦变换(Discrete Cosine Transform,DCT)在信号处理和图像压缩方面的能量聚集特性和变换的保距特性,将其作为高维数据降维的预处理手段,配合S-PCA来进行人脸识别,提出了基于DCT+S-PCA的人脸识别方法。通过实验,该方法的有效性及正确性得到了验证,并分别与基于PCA、S-PCA以及Resize+S-PCA的人脸识别实验结果进行了分析比较。(5)实现了一个简单的基于DCT+S-PCA算法的人脸识别原型系统。