人臉驗證算法的改進與研究.pdf

1、人臉驗證是計算機識別領域非常活躍的研究課題，它包括三個主要技術環(huán)節(jié)，即預處理、人臉特征提取和分類器設計。人臉特征提取又稱為人臉表述，是在低維特征空間內(nèi)對原高維空間的人臉模式進行描述、建模，從而提取出有利于分類的低維特征。特征提取是人臉驗證的關鍵環(huán)節(jié)，也是主要難點所在，因此人臉特征提取技術一直是研究的熱點。 本文主要針對人臉特征提取技術進行研究，以基于客戶相關的判別分析方法為主，系統(tǒng)地研究了人臉驗證算法，主要內(nèi)容為： (1

2、)在基于客戶相關的線性判別分析(CSLDA)方法的基礎上進行改進，提出了一種模塊化2DPCA和CSLDA方法相結(jié)合的人臉驗證方法。CSLDA方法將圖像矩陣轉(zhuǎn)化為向量進行處理，數(shù)據(jù)維數(shù)很大，計算復雜，對圖像整體處理沒有考慮到圖像的局部特征。針對這些缺點，新方法從原始數(shù)據(jù)出發(fā)，對二維數(shù)據(jù)進行分塊后采用2DPCA進行特征抽取，能有效提取圖像的局部特征，得到替代原始圖像的低維的新模式。然后對新模式施行CSLDA，不僅考慮到了類內(nèi)、類間的差異，彌

3、補了PCA的缺陷；還利用客戶相關子空間可以較好的描述不同個體人臉之間的差異性的優(yōu)點，比傳統(tǒng)的個體特征臉方法有更好的判別能力。在人臉庫上的實驗結(jié)果表明，新方法在驗證效果上優(yōu)于CSLDA方法。 (2)在(1)基礎的引導下，繼續(xù)對引入核運算后的基于客戶相關的非線性判別分析(CSKDA)方法進行改進，和模塊化2DPCA相結(jié)合，提出了基于模塊化2DPCA和CSKDA的人臉驗證方法，在人臉庫上的實驗結(jié)果表明新方法可以取得更好的驗證結(jié)果。

4、 (3)研究核自適應算法。核運算的引入使得我們可以解決非線性的模式識別問題，從而取得更好的效果，但核方法的優(yōu)勢往往取決于選取一個合適的核函數(shù)，一種可行的辦法就是根據(jù)數(shù)據(jù)自動的學習得到最合適的核函數(shù)。早期的核函數(shù)學習方法往往有一定的局限性，比如對于確定的核函數(shù)，只能通過不斷學習確定其參數(shù)得到最好的結(jié)果。本文提出了基于核矩陣學習的人臉驗證非線性算法，為了進一步減少計算量，使用改進的準則函數(shù)，從而避免了對類內(nèi)散布矩陣求逆。在人臉庫上進行評