基于多小波特征的人臉識(shí)別.pdf

1、伴隨著信息產(chǎn)業(yè)的高速發(fā)展，基于生物特征的識(shí)別技術(shù)受到了研究者廣泛的關(guān)注，其中基于人臉特征的識(shí)別技術(shù)與基于指紋、虹膜等特征識(shí)別技術(shù)相比，更符合人類(lèi)認(rèn)知的習(xí)慣，且在樣本的采集和識(shí)別過(guò)程中均采用非接觸的方式，具有直接友好等特點(diǎn)，但光照變化、表情、姿態(tài)和遮擋一直是影響人臉正確識(shí)別的重要因素。為解決光照問(wèn)題，通過(guò)對(duì)受到光照影響的圖像進(jìn)行研究，發(fā)現(xiàn)一幅人臉圖像在受到光照影響前后，同一點(diǎn)對(duì)的像素差是穩(wěn)定的，因此本文通過(guò)對(duì)多小波提取的低頻成分建立穩(wěn)定的

2、像素差點(diǎn)對(duì)作為特征，提出了基于多小波和灰度排列對(duì)(GAP)的人臉識(shí)別方法;又由于稀疏表示(SparseRepresentation-based Classifier, SRC)是將一幅圖像向訓(xùn)練樣本集進(jìn)行投影，由多幅同類(lèi)圖像進(jìn)行表示，可以很好地解決光照、表情、遮擋問(wèn)題，本文將多小波提取的低頻成分特征形成冗余字典，提出了基于多小波和稀疏表示的人臉識(shí)別。本文主要研究工作如下:
　　(1)對(duì)數(shù)域圖像增強(qiáng)方法。根據(jù)變化光照?qǐng)D像特點(diǎn)采用對(duì)數(shù)

3、歸一化方法對(duì)圖像進(jìn)行了預(yù)處理。
　　(2)多小波初級(jí)特征提取。通過(guò)研究人臉多小波各個(gè)頻帶特征，發(fā)現(xiàn)多小波低頻特征能夠較好的表示人臉圖像，而高頻信息往往包含噪聲，因此提取其低頻特征作為人臉初級(jí)特征。
　　(3)提出基于多小波和GAP的人臉識(shí)別。首先計(jì)算出每一類(lèi)人臉圖像多小波低頻特征中穩(wěn)定的像素差點(diǎn)對(duì)，建立背景模版，通過(guò)計(jì)算測(cè)試樣本多小波低頻特征中穩(wěn)定的像素差點(diǎn)對(duì)與模板的匹配度進(jìn)行分類(lèi)。
　　(4)提出基于多小波和稀疏表示

4、的人臉識(shí)別。將多小波提取的低頻子帶信息形成冗余字典，并用K奇異值分解(K-SVD)字典學(xué)習(xí)算法對(duì)字典進(jìn)行優(yōu)化，通過(guò)計(jì)算測(cè)試樣本在冗余字典上的稀疏表示對(duì)測(cè)試樣本進(jìn)行分類(lèi)。
　　本文選取了光照變化明顯的擴(kuò)展的Yale B和CMU PIE人臉庫(kù)采用基于多小波和GAP的人臉識(shí)別算法進(jìn)行了實(shí)驗(yàn);針對(duì)多小波和稀疏表示識(shí)別方法，選取了同時(shí)具有光照、姿態(tài)、表情變化和遮擋的Yale和AR人臉庫(kù)進(jìn)行了實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明，本文提出的兩種算法可以有效的識(shí)