基于線性投影分析的人臉識別算法研究.pdf

1、生物特征識別是一項利用人類特有的生理或行為特征來進行身份識別的技術，而人臉識別是生物特征識別中最受人們關注的一個分支。近年來，人臉識別已成為模式識別和人工智能領域中的一個非?；钴S的研究方向。人臉識別在法律、安全、商業(yè)等領域具有廣泛的應用前景。過去幾十年中該課題的研究己經(jīng)取得了較大的進展，眾多研究者提出了很多識別方法，如基于主成分分析的方法、基于線性判別分析的方法、基于獨立成分分析的方法、基于小波的方法、基于神經(jīng)網(wǎng)絡的方法和基于離散余弦變

2、換的方法等。由于受到復雜的光照條件，多變的人臉表情，以及姿態(tài)變化的影響，到目前為止，己經(jīng)取得的研究成果離這一問題的徹底解決還有一定的距離。本文旨在已有的研究成果的基礎上，做更進一步的探討和研究。論文主要研究內容和成果如下：
　　1．提出一種基于局部特征融合的人臉識別方法。由于傳統(tǒng)的主成分分析方法提取的是人臉圖像的整體特征，而不能反映人臉圖像的局部信息，所以在復雜的人臉表情和光照條件下，該方法的識別性能并不理想。針對這一問題，首先將

3、人臉圖像劃分為尺寸相同的子圖像，并對相同位置的子圖像進行主成分分析，建立投影矩陣，然后分別提取每個子圖像的特征。在分類時，首先對每個子圖像進行模糊分類，然后采用模糊綜合的策略融合每個子圖像的模糊分類結果，最后根據(jù)隸屬度最大原則確定人臉的分類結果。通過仿真實驗比較驗證了這種分類算法的有效性。
　　2．提出基于改進的線性判別分析的人臉識別方法。線性判別分析是一種有效的特征提取方法，但是在小樣本情況下，當訓練樣本中存在個別野值點時，會給

4、所求得的最佳判別矢量帶來較大的影響。針對這一問題，本文提出使用加權的方法來減小野值點的影響，即根據(jù)訓練樣本與類內其它樣本之間的距離對該樣本加權，然后用加權后的樣本重新計算類均值，并以新的均值向量和原訓練樣本重新生成類內散布矩陣和類間散布矩陣，接下來，根據(jù)Fisher準則計算最佳判別矢量。另外，在每類樣本中只有一個訓練樣本時，訓練樣本的類內散布矩陣是零矩陣，這種情況下無法直接應用線性判別分析，為了在單訓練樣本情況下應用線性判別分析，本文提

5、出使用采樣的Fisherface方法進行人臉識別。仿真實驗驗證了這兩種方法的有效性。
　　3．提出基于小波變換和圖像投影分析的人臉識別方法。首先對人臉圖像進行若干級小波變換，得到人臉圖像的低頻子帶系數(shù)，然后對低頻子帶系數(shù)進行二維主成分分析或二維線性判別分析，提取人臉圖像在頻域上的特征。仿真實驗證明該方法能進一步提高識別性能。
　　4．提出基于離散余弦變換和線性判別分析的人臉識別方法。DCT變換本身并不進行數(shù)據(jù)壓縮，它只是將圖