论文部分内容阅读
作为一种生物特征识别技术，人脸识别已经广泛地应用在了公共交通安全、信息安全和金融等各个领域。近年来，虽然对人脸识别算法的研究已经日趋成熟，但是由于人脸结构的复杂性，人脸识别往往会受到光照、姿态、表情和遮挡物等的干扰，这就给识别效率带来了很大的影响。因此，如何寻找一个高效的识别算法是人脸识别研究的挑战之一。 针对一般的特征提取方法提取特征向量时效率不高和有效性差的问题，本文研究了用递归最小二乘法（RLS）提取特征作为观测值向量，并结合隐马尔可夫模型（HMM）进行人脸的识别。在此基础上提出了RLS与二维离散余弦变换（2D-DCT）融合的特征提取算法。主要的工作及创新如下： (1)提出了基于RLS的人脸特征提取方法。该算法依据均方误差（MSE）最小的原则，每迭代一次，只需要计算一个特征值和它对应的特征向量，从而加快了提取特征时的收敛速度，大大提升了运算效率。基于RLS算法的这种优势，首次将该算法与HMM结合起来，并将提取的RLS特征作为HMM的观测值向量，再进行人脸识别。实验结果表明：RLS与HMM结合后在取得理想的识别率的同时也大大缩短了识别时间。 (2)提出了光照补偿处理与HMM结合进行人脸识别的方法。通过调整图像的灰度均值和方差来改善图像整体灰度值的分布,增强了HMM对光照条件的鲁棒性。在此基础上，又用RLS提取的特征比较了光照补偿后的灰度值、2D-DCT、奇异值分解（SVD）和RLS这四种方法提取的特征与HMM结合后的效果。实验结果表明：经过光照补偿处理后，可以明显提高人脸的识别率。 (3)针对不同的采样窗口和重叠块的高度得到的人脸识别率不同的问题，选取了不同的采样窗口和重叠块的高度对观测值向量进行优化。实验结果表明：在一定的参数范围内，优化过后的观测值向量得到的识别率最大。 (4)提出了RLS与2D-DCT融合的特征提取方法。结合RLS在提取特征时迭代收敛速度快和2D-DCT提取的图像特征效果好的特性，将二者提取出的特征进行融合，形成观测值向量，再与HMM结合进行人脸识别。实验结果表明：融合后的方法能够提高人脸的识别率。