基于二維圖像的人臉識(shí)別研究.pdf

1、人臉識(shí)別技術(shù)作為最重要的生物特征識(shí)別技術(shù)之一，可以利用每個(gè)人獨(dú)一無二的人臉特征來進(jìn)行身份識(shí)別。在信息技術(shù)高度發(fā)達(dá)的現(xiàn)代社會(huì)，個(gè)人信息的鑒別與保護(hù)已成為了重中之重。人臉識(shí)別技術(shù)以其高效性、準(zhǔn)確性、非接觸性等獨(dú)有的優(yōu)點(diǎn)迅速成為了鑒別個(gè)人信息的重要技術(shù)手段。本文首先介紹了人臉識(shí)別技術(shù)的研究背景與發(fā)展現(xiàn)狀，然后具體介紹了四種經(jīng)典的人臉識(shí)別方法，分別是主成分分析、線性判別分析、局部保持投影和基于核的人臉識(shí)別方法。在學(xué)習(xí)了這些經(jīng)典方法后，本文改進(jìn)了

2、四種兩維判別分析的人臉識(shí)別方法，解決了一些已有方法的問題，這一部分是論文的主要研究?jī)?nèi)容：
　　（1）基于雙向兩維迭代非相關(guān)判別分析（2D2UDA）的人臉識(shí)別方法，相比二維非相關(guān)判別變換（2DUDT）方法只能提取垂直方向上的特征，僅能對(duì)一個(gè)方向降維，該方法能同時(shí)求出垂直和水平兩個(gè)方向上的最優(yōu)判別向量集，且滿足非相關(guān)條件。經(jīng)過實(shí)驗(yàn)驗(yàn)證，可以發(fā)現(xiàn)該方法對(duì)人臉樣本矩陣的降維更徹底，同時(shí)還具有更高的識(shí)別率。
　?。?）基于雙向兩維判別

3、向量集（2D2UDV）的人臉識(shí)別方法，相比二維不相關(guān)鑒別矢量集（2DUDV）方法只能提取垂直方向上的特征，僅能對(duì)一個(gè)方向降維，該方法采用非迭代的方法求取兩個(gè)方向上的非相關(guān)判別向量集，且該組向量集具有2DPCA和2DLDA模型的特點(diǎn)。經(jīng)過實(shí)驗(yàn)驗(yàn)證，可以發(fā)現(xiàn)該方法對(duì)人臉樣本矩陣的降維后，能使得特征子空間中的特征樣本具有更小的維數(shù)，同時(shí)還具有更高的識(shí)別率，更少的計(jì)算時(shí)間。
　?。?）基于兩維局部線性判別分析（2DLFDA）的人臉識(shí)別方法

4、，相比一維局部線性判別分析（LFDA）方法在把圖像矩陣?yán)斐梢痪S向量的過程中破壞了矩陣結(jié)構(gòu)信息，該方法可以直接在二維人臉矩陣上進(jìn)行特征提取與投影計(jì)算，避免了二維人臉矩陣在拉伸成為一維向量的過程中造成矩陣結(jié)構(gòu)信息的丟失。經(jīng)過實(shí)驗(yàn)驗(yàn)證，可以發(fā)現(xiàn)該方法有效降低了計(jì)算復(fù)雜度，節(jié)省了儲(chǔ)存空間，且具有很高的識(shí)別率。
　?。?）基于核的兩維非相關(guān)判別分析（K2DUDA）人臉識(shí)別方法，該方法結(jié)合了核（Kernel）方法和二維非相關(guān)判別變換（2DU