论文部分内容阅读
在实际应用中,人脸图像的采集受多方面因素的限制,每人往往只有一张人脸图像作为训练样本,导致单样本条件下的人脸识别性能不够理想。其中,单样本人脸识别所用的特征提取方法存在特征表达不全面、计算复杂度高等问题。此外,用于解决单样本问题的样本扩张法产生的虚拟样本单一且与原图像相关性太高,使得识别率低下。针对上述问题,本文从特征提取方法和样本扩张法两个角度对单样本人脸识别进行研究。在方向梯度直方图(HOG)特征提取方法的基础上,提出一种基于WPD-HOG金字塔的人脸特征提取方法,并针对样本扩张法给出一种基于NMF重构虚拟样本的人脸识别方法。所做的主要工作有以下几点:1.给出了一种WPD-HOG金字塔的特征提取方法。详细分析了HOG方法的各参数选择对人脸识别率的影响,通过实验获得最佳的HOG参数。该方法结合HOG方法、图像金字塔以及小波包分解(WPD)对人脸图像特征进行有效表征,最终将WPD-HOG金字塔特征通过SVM分类器进行分类。并将这一改进方法应用于单样本人脸识别,通过在ORL人脸库上进行实验,与对比方法相比,实验结果表明,本文方法既适用于一般情况下的人脸识别,又适用于单样本人脸识别,不仅保证了特征完备,提高了识别效果,而且特征维数大大减少,从而降低了计算复杂度,且在噪声方面具有较好的鲁棒性。2.对样本扩张法的镜面变换、滑动窗口法、位平面法进行有效性研究。为直接解决单样本的训练样本缺乏问题,利用样本扩张法产生虚拟样本,以增加训练集的样本数量。其中,镜面变换能够增强图像部分旋转的鲁棒性,滑动窗口法模拟了图像采样时镜头与人脸的不同位置与距离,位平面法给出了像素在一定程度上的可能变化。实验证明这三种方法都有助于人脸图像识别率的提高,其中镜像变换的效果最好。3.改进了样本扩张法。考虑到非负矩阵分解NMF重构的人脸图像能更好地表示人脸的局部之间内在的联系,本文将NMF与镜像变换、滑动窗口法、位平面法相结合,针对单样本的人脸识别给出一种基于NMF重构虚拟样本的样本扩张法。研究NMF的基图像个数r和迭代次数对识别率的影响,选择最佳参数对图像进行NMF重构。在ORL和FERET人脸库上的单样本人脸识别实验验证了本文方法的有效性,能够保留对识别率贡献较大的信息,去除无用的以及对识别率造成干扰的信息,提高了人脸图像识别效果。