人脸识别由于人脸的非刚体性和易变性,成为一个复杂、涉及面广且应用前景广阔的课题,近年来掀起研究热潮并取得突破性进展。本文从人脸检测、人脸识别、表情识别三个子领域展开,对现有理论进行了简要分析和比较,进而引入独立分量分析(ICA)与支持向量机(SVM)理论,并有侧重地应用到这三个方面中。 论文首先对ICA和SVM理论基础作了相关介绍,它们都是20世纪90年代左右才迅速发展的年轻理论。ICA针对非高斯信号,根据高阶统计分析及信息熵理论,以隐含变量间相互独立为提取准则,进行独立分量提取,发掘数据中隐含的信息成分,使分解结果更具生理意义;SVM是在统计学习理论基础上发展起来的新的学习方法,具有完备的理论基础和出色的学习性能,成为机器学习界的研究热点。两种新理论的结合,为人脸识别系统提供了强大的理论支持。 论文的后半部分主要为理论应用和实验分析部分,将ICA—SVM在人脸检测、人脸识别、表情识别中的应用(尤其是后两者)进行了有针对性的实验。 人脸识别中,先进行几何标准化和白化等预处理,然后用FastICA算法进行特征提取,接着训练LibSVM得到模型,最终实现测试样本的识别。ICA—SVM与传统方法相比具有一定优势:人脸图像的相当一部分重要信息,如轮廓边缘部分,与象素的高阶统计特性密切相关,因此基于数据间高阶统计关系的ICA与以往多种变换方法相比,所提取特征具有明显的空间上的方向性和频域上的局部性;人脸识别是典型的小样本识别,SVM基于结构风险化和VC原理,兼顾训练误差和泛化能力,在解决小样本、非线性及高维模式识别问题中具有很多优势。在ORL人脸库上进行的实验表明,两者的结合算法得到了较高的识别率。 表情识别的思路与人脸识别基本一致,也是ICA提取特征,SVM分类,所不同的是识别目的,即表情差异为重点,个体差异为干扰。因此,提出对图像进行局部特征区域的提取,剔除造成个体差异而对表情变化影响不大的人脸部分,然后进行ICA—SVM特征提取和识别,在CMU表情库上进行的实验表明了此方案的伃确性。之后是相关分析。 仿真实验和结果分析表明,ICA—SVM结合局部特征区域提取的思想在人脸检测、人脸识别、表情识别中具有独特优势,是值得关注和研究的一个方向。