人臉特征抽取與分類器設計若干問題的研究.pdf

1、特征抽取以及分類器的設計是模式識別系統(tǒng)的兩個重要組成部分，在人臉識別中也不例外。將現有的各種特征抽取理論與變換方法進行融合，是實現人臉特征最優(yōu)抽取的重要研究方向，而將人工神經網絡運用于人臉特征分類，則是實現分類器設計的有效途徑之一。本文就基于多種方法融合的特征抽取理論以及人工神經網絡分類器進行深入研究，所提出的特征抽取方法和分類器在人臉識別方面得到了較成功的應用。 小波變換以其良好的時域和頻域局部化能力，在數字圖像特征提取與壓縮

2、領域得到了廣泛的應用，而核主成分分析（KPCA）方法能將原特征空間通過某種形式的非線性映射變換到一個高維空間，并借助于“核技巧”在新的空間中實現圖像主成分的有效抽取。本文考慮到人臉的形狀和紋理特征分布情況，提出了一種融合分塊小波變換與KPCA方法的人臉特征抽取方法，其基本理論是在KPCA特征抽取之前，首先對人臉圖像進行分塊小波變換，提取人臉的局部小波特征，然后對該特征進行KPCA特征抽取與融合，獲得人臉最終鑒別特征。在ORL和Yale標

3、準人臉圖像庫的實驗仿真及對比結果表明，該方法不僅在識別性能和分類速度上明顯高于傳統(tǒng)的PCA方法及融合小波特征的KPCA方法，而且對于光照條件、人臉姿態(tài)和表情變化均具有良好的魯棒性。 鑒于圖像矩陣奇異值對于圖像特征強大的描述能力，該文對傳統(tǒng)的奇異值分解（SVD）方法進行改進，提出了充分保證圖像本質信息的奇異值分解閾值壓縮降維方法。在此基礎上將基于頻率域方法的特征抽取理論進行推廣，將其與分塊小波變換以及分塊離散余弦變換進行組合，提出

4、了融合頻率域變換與奇異值閾值壓縮的人臉特征抽取理論。ORL和NUST603兩個人臉庫上的實驗結果表明，這兩種組合方法不僅能對人臉特征進行進一步壓縮和提取，而且抽取到的特征更能反映人臉的本質特性，這些優(yōu)點使得這兩種組合方法能同時獲得較高的分類速度和效果。 人臉特征抽取除了有效的壓縮降維，還必須抽取出不受人臉旋轉、姿態(tài)變換以及光照等外界因素影響的人臉面部不變特征。該文對人臉面部幾何不變特征進行研究，提出了基于自適應邊緣輪廓網格矢量編

5、碼的人臉不變特征抽取理論。該算法的基本思想是在對人臉進行歸一化和器官定位的基礎上，利用自適應方向鏈碼描述人臉邊緣輪廓不變幾何特征。其主要優(yōu)點是：可以減少特征矩陣的維數，對噪聲、灰度變換、光照不均勻等降質人臉圖像的分類識別具有較強的適應力，能夠解決因圖像旋轉帶來的識別率下降問題。另外本文還提出了基于不變小波矩描述子（WMD）特征矩陣與2DPCA投影理論相結合的人臉特征抽取方法，即首先提取描述人臉本質特征的不變小波矩描述子特征矩陣，然后利用

6、該矩陣構造圖像總體散布矩陣，并取它的d個最大本征值所對應的標準正交的本征向量作為投影軸，對特征矩陣進行投影壓縮。ORL和NUST603兩個人臉庫上的實驗結果表明，該方法不僅在識別性能上優(yōu)于單一的WMD方法、PCA方法以及2DPCA方法，而且對人臉背景、光照條件的變化也具有很好的魯棒性。 傳統(tǒng)的模式識別系統(tǒng)通常僅使用樣本之間的距離或相關性分類器來進行分類，這種系統(tǒng)對于類別數較大、輸入樣本帶噪聲的問題很難獲得好的分類效果。自適應共振網

7、絡ART網絡結構能解決“穩(wěn)定性一可塑性”二難問題，它具有對已學習過的對象進行穩(wěn)定快速的識別能力，同時又能迅速適應未學習過的新對象，因而可以利用其競爭學習和穩(wěn)定性機制進行有效的特征分類識別．本文結合傳統(tǒng)ART網絡的優(yōu)點，引入最小余弦夾角和模式相似度分別作為輸入模式計算準則和檢驗識別準則，建立了一個學習算法簡單化，適合高維特征值圖像目標分類的ART網絡，并設計了一個基于該網絡模型的模式分類器．通過對ORL人臉庫和Yale人臉庫的圖像樣本實驗