基于子空間的人臉識別技術(shù)研究.pdf

1、人臉識別因其在安全驗(yàn)證系統(tǒng)、信用卡驗(yàn)證、醫(yī)學(xué)、檔案管理、視頻會(huì)議、人機(jī)交互、公安系統(tǒng)（罪犯識別等）等方面的巨大應(yīng)用前景而越來越成為當(dāng)前模式識別和人工智能領(lǐng)域的一個(gè)研究熱點(diǎn)。 人臉識別是利用計(jì)算機(jī)對人臉圖像進(jìn)行處理、分析，并從中提取能表征人臉圖像的識別信息，用以進(jìn)行識別的一門技術(shù)。在眾多的特征提取技術(shù)中，子空間分析方法因其計(jì)算簡單、識別率高等特性引起了人們的廣泛注意，現(xiàn)已成為人臉圖像特征提取和識別的主流方法之一。本文致力于基于靜態(tài)

2、圖像的準(zhǔn)正面人臉識別方法研究，重點(diǎn)研究了基于子空間的特征提取方法。 本文的主要研究內(nèi)容包括以下幾個(gè)方面： （1）首先，研究了基于主分量分析（Principle Component Analysis，PCA）人臉識別方法的基本原理和實(shí)現(xiàn)過程，并分析了PCA方法的優(yōu)缺點(diǎn)?？紤]到傳統(tǒng)PCA方法在處理人臉識別問題時(shí)是需要將圖像從二維矩陣轉(zhuǎn)化為一維向量，長期以來一直受到高計(jì)算復(fù)雜度的困擾，近年來提出了一種直接基于圖像矩陣的2DPC

3、A方法，其突出優(yōu)點(diǎn)是大大加快了特征抽取的速度，并且在識別率上也有一定的提高。通過實(shí)驗(yàn)給出了2DPCA方法與PCA方法的性能比較，證實(shí)了2DPCA方法不但避免了龐大的計(jì)算量，而且識別率也有所提高。 （2）其次，由于PCA方法易受光照條件等易變因素的影響，在光照變化大的情況下識別率較低。利用Gabor小波可以良好的表達(dá)人臉局部紋理特征這一優(yōu)點(diǎn)，提出了一種結(jié)合Gabor小波和主元分析的人臉識別方法。該方法很好的將兩者的優(yōu)點(diǎn)結(jié)合起來，實(shí)

4、驗(yàn)結(jié)果證明了識別率有明顯的提高。 （3）最后，在特征提取方面引入了線性鑒別分析（Linear Discriminant Analysis，LDA）方法.LDA以樣本的可分性最好為目標(biāo)，能提取出類間離散度最大而類內(nèi)離散度最小即分類能力強(qiáng)的特征，在理論上優(yōu)于PCA方法。本文提出了一種改進(jìn)的2DLDA識別方法：基于圖像分塊的二維線性鑒別分析（M2DLDA）的人臉識別方法。該方法首先對原始人臉圖像進(jìn)行必要的預(yù)處理后進(jìn)行分塊，再對分塊后的