基于統(tǒng)計(jì)學(xué)習(xí)的人臉識(shí)別方法研究.pdf

1、人臉識(shí)別是當(dāng)前非常熱門的一個(gè)生物特征識(shí)別領(lǐng)域，它涵蓋了圖像處理，計(jì)算機(jī)視覺和模式識(shí)別等前沿技術(shù)，在人機(jī)交互，安全監(jiān)視，機(jī)器人，身份認(rèn)證等方面有著廣闊的應(yīng)用前景。目前的人臉識(shí)別系統(tǒng)主要是基于二維圖像的，但由于受到姿勢、光照和表情變化等因素的影響，無論理論方面還是應(yīng)用方面，基于二維圖像的人臉識(shí)別方法的有效性和魯棒性受到了很大的削弱。三維人臉模型是解決目前問題的有效方法之一，但基于三維人臉模型的人臉識(shí)別仍是基于二維圖像的，而且三維模型的真實(shí)感

2、、參數(shù)優(yōu)化等問題與實(shí)際應(yīng)用仍有一段距離。因此，到目前為止，人臉識(shí)別技術(shù)還遠(yuǎn)未成熟，建立一個(gè)魯棒的實(shí)時(shí)自動(dòng)人臉識(shí)別應(yīng)用系統(tǒng)仍然有很長的一段路要走，而其成功將很大程度上依賴于認(rèn)知科學(xué)，神經(jīng)科學(xué)，計(jì)算機(jī)視覺，模式識(shí)別，人工智能等多學(xué)科的突破和交叉研究！ 目前主流的人臉識(shí)別方法主要是基于統(tǒng)計(jì)學(xué)習(xí)模型的二維人臉識(shí)別，包括基于全局特征和基于局部特征學(xué)習(xí)的方法。典型的基于全局特征的方法有Eigenface，F(xiàn)isherface，Laplaci

3、anface等，而基于隱馬爾可夫模型的人臉識(shí)別則是基于局部特征的模型學(xué)習(xí)方法。本文主要研究的是基于統(tǒng)計(jì)學(xué)習(xí)方法二維人臉識(shí)別問題。本文的主要貢獻(xiàn)如下： 1）系統(tǒng)綜述了人臉識(shí)別的發(fā)展歷史和研究現(xiàn)狀。詳細(xì)總結(jié)了基于幾何特征方法、彈性圖匹配、神經(jīng)網(wǎng)絡(luò)、隱馬爾可夫模型、子空間學(xué)習(xí)、流形學(xué)習(xí)、三維模型等各種人臉識(shí)別方法。通過分析和比較各種方法的優(yōu)缺點(diǎn)，為各種方法在人臉識(shí)別中的應(yīng)用指出了改進(jìn)之處，它們的發(fā)展方向提供了一些建議； 2）針

4、對(duì)EHMM模型應(yīng)用于人臉識(shí)別時(shí)沒有很好的解決特征提取問題，提出了基于DCT域PPCA的特征提取方法。由于EHMM具有嚴(yán)密和豐富的體系結(jié)構(gòu)，以兩層結(jié)構(gòu)從粗到細(xì)很好的描述了人臉的局部結(jié)構(gòu)和全局結(jié)構(gòu)，因而具有很好的發(fā)展前景。但這種方法的有效性仍然依賴于所提取的采樣窗口的特征，即這種方法本身并沒有解決特征提取問題?；贒CT域PPCA既利用了DCT的快速算法而壓縮掉了一部分噪聲，為PPCA降低了計(jì)算復(fù)雜度，又利用了PPCA能更好的對(duì)高斯分布數(shù)據(jù)

5、壓縮。該方法能很好的提取人臉內(nèi)部結(jié)構(gòu)和外部結(jié)構(gòu)的特征，為EHMM提供了魯棒的觀測向量； 3）提出子空間演化分析方法解決子空間分析應(yīng)用于人臉識(shí)別時(shí)所遇到的的維數(shù)災(zāi)難問題。子空間演化分析方法包括迭代重采樣技術(shù)和“分而治之”策略兩部分。它首先采用下迭代重采樣技術(shù)來降低樣本維數(shù)和增加樣本數(shù)得到新樣本，再利用傳統(tǒng)的子空間分析方法對(duì)新樣本進(jìn)行分析，最后利用上迭代重采樣技術(shù)來得到原樣本的結(jié)果； 4）分析了流形學(xué)習(xí)是先對(duì)原始數(shù)據(jù)構(gòu)建圖，