人臉識別方法的研究與實(shí)現(xiàn).pdf

1、人臉識別具有重要的理論研究價(jià)值和廣闊的應(yīng)用前景，越來越成為一個(gè)研究熱點(diǎn)，它涉及到模式識別、圖像處理、生理學(xué)、心理學(xué)等諸多領(lǐng)域。由于受多方面因素的影響，人臉識別一向被認(rèn)為是一項(xiàng)具有巨大挑戰(zhàn)性的課題。 本文的主要內(nèi)容包括： (1)基于混合膚色模型和模板匹配的人臉檢測：先通過建立HSV和YCbCr混合膚色模型，檢測出皮膚區(qū)域；然后對檢測出的皮膚區(qū)域作初步判斷，消除部分干擾，去除假區(qū)域，確定所有可能的人臉區(qū)域；最后采用模板匹配法

2、進(jìn)行人臉驗(yàn)證。以CMU人臉數(shù)據(jù)庫作為測試集，正確檢測率為90.3﹪。另外，對部分生活照的檢測結(jié)果也較好。 (2)人臉數(shù)據(jù)庫的建立：現(xiàn)存的著名數(shù)據(jù)庫都有各自的優(yōu)缺點(diǎn)和適用范圍，為了反映本文所采用方法的魯棒性，從多個(gè)數(shù)據(jù)庫中選擇出多幅人臉圖像，包括各種表情、光照、角度，對人臉圖像進(jìn)行濾波、幾何歸一化和灰度歸一化處理后，建立了一個(gè)小型數(shù)據(jù)庫。 (3)著重研究了兩種人臉識別方法，并對其進(jìn)行了比較。 基于遺傳算法(GA)的

3、二維主成分分析(2DOCA)法：將GA融入2DPCA中，對其特征選擇過程進(jìn)行了改進(jìn)。2DPCA法提取特征后，進(jìn)行特征選擇的一般方法是直接選取訓(xùn)練樣本集總體協(xié)方差矩陣的前幾個(gè)特征值對應(yīng)的一組特征向量作為投影軸，將人臉圖像轉(zhuǎn)換到較低維的空間。這樣得到的特征一般情況下是最佳描述特征，而不是最佳分類特征。為了達(dá)到識別時(shí)的信息最優(yōu)，采用當(dāng)前比較理想的優(yōu)化算法一遺傳算法，對總體協(xié)方差矩陣的特征向量進(jìn)行尋優(yōu)，將得到的最優(yōu)子集作為投影軸。結(jié)果表明，此方

4、法具有一定意義，能提高人臉識別率。但遺傳算法的訓(xùn)練時(shí)間較長，而且與訓(xùn)練集中樣本圖像的數(shù)目和大小有關(guān)，這使該方法具有一定的局限性，比較適合于小型數(shù)據(jù)庫和圖像較小的情況。 基于粗糙集(RS)和模糊集(FS)理論的人臉識別方法：粗糙集與模糊集是兩種主要的、應(yīng)用最為廣泛的處理不確定性問題的方法。粗糙集理論主要用在屬性約簡、決策規(guī)則生成以及預(yù)測等方面，不需要任何先驗(yàn)信息，且能夠完整地保留信息系統(tǒng)的分類能力。而模糊集理論將模糊概念引入模式分

5、類方法中，使所處理的問題更加貼近于人類的思維，具有較強(qiáng)的分類能力。本文將二者結(jié)合起來，充分發(fā)揮各自優(yōu)點(diǎn)，將粗糙集用于人臉的特征選擇，將模糊集用于分類算法的設(shè)計(jì)。在利用粗糙集進(jìn)行特征選擇時(shí)，針對一般離散化方法的缺陷與不足，采用一種基于聚類學(xué)習(xí)的離散化方法。實(shí)驗(yàn)結(jié)果表明，與基于GA的2DPCA法相比，此方法更有效，識別率高，對應(yīng)的特征數(shù)少。 人臉自動(dòng)識別系統(tǒng)比較復(fù)雜，涉及的內(nèi)容很多，本文僅在人臉檢測與識別方法研究方面取得了一些階段性