基于虛擬圖像生成與融合HMM的單樣本人臉識(shí)別技術(shù)研究.pdf

1、人臉識(shí)別技術(shù)因其具有重要的科學(xué)意義和實(shí)用價(jià)值，在近幾年得到了研究者的高度重視，成為當(dāng)前模式識(shí)別和人工智能領(lǐng)域的一個(gè)研究熱點(diǎn)。人臉識(shí)別一般分為人臉檢測(cè)、特征抽取和模式分類三個(gè)部分。人臉識(shí)別過(guò)程中會(huì)遇到各種各樣的難題，其中樣本維數(shù)高、類別數(shù)大以及每人只能提供少量的訓(xùn)練樣本都是亟待解決的難題。 本文針對(duì)以上問(wèn)題進(jìn)行了研究，在綜合分析了以往的人臉識(shí)別方法的基礎(chǔ)上，從特征提取、虛擬圖像生成和分類識(shí)別三個(gè)方面著手，提出了基于虛擬圖像生成和融

2、合隱馬爾可夫模型(HMM)的單樣本人臉識(shí)別算法，并設(shè)計(jì)實(shí)現(xiàn)了相應(yīng)的原型系統(tǒng)。本文的工作主要包括： (1)提出了一種融合雙向二維線性鑒別分析(B-2DIDA)和局部奇異值對(duì)稱平均(SL-SVD)的人臉識(shí)別方法。該方法首先通過(guò)B-2DLDA對(duì)整幅圖像進(jìn)行特征提取；然后利用SL-SVD提取圖像的局部特征；最后，對(duì)兩種方法提取到的特征利用基于加權(quán)歐式距離的最近鄰分類器進(jìn)行融合識(shí)別。該方法能夠提取較好的鑒別特征，并有效結(jié)合了局部和整體的特

3、征，在一定程度上克服了光照、表情、姿態(tài)的影響，對(duì)單樣本情況下的特征提取有很大的幫助。 (2)提出了一種三層虛擬樣本圖像生成算法。該算法通過(guò)分析現(xiàn)有虛擬圖像生成方法的優(yōu)缺點(diǎn)，結(jié)合了幾何變換算法、代數(shù)變換算法與空間分布算法，首先采用奇異值擾動(dòng)方法突出人臉的特征；然后采用幾何變換方法增強(qiáng)姿態(tài)、尺度的變化，增加樣本數(shù)量；最后采用基于空間分布的方法擴(kuò)張樣本以改善樣本分布，使虛擬樣本分布更逼近真實(shí)分布，為解決單樣本問(wèn)題奠定了基礎(chǔ)。

4、(3)提出了一種融合HMM分類識(shí)別算法。為了克服傳統(tǒng)SVD特征包含信息量偏少和LDA特征幾何變化敏感性的缺點(diǎn)，使B-2DLDA特征的全局性和SL-SVD特征的局部性互為補(bǔ)充，在一維HMM的基礎(chǔ)上，根據(jù)信息融合理論，設(shè)計(jì)了基于B-2DLDA與基于SL-SVD的兩個(gè)一維HMM，并根據(jù)不同的權(quán)重進(jìn)行融合，以提高最終的分類識(shí)別效果。該方法既彌補(bǔ)了原有一維HMM的精度不夠問(wèn)題，又避免了二維HMM的算法復(fù)雜性問(wèn)題。 (4)采用面向?qū)ο笏枷朐O(shè)