基于KPCA和LDA融合改進(jìn)的人臉識別算法研究.pdf

1、隨著科技的迅速發(fā)展，各種各樣的信息安全技術(shù)層出不窮，但高的識別率始終是人們追求的最終目的。生物識別技術(shù)（如指紋、虹膜識別、人臉識別等）是現(xiàn)在最受歡迎的信息安全技術(shù)之一。尤其是人臉識別中的基于子空間的人臉識別算法，近年來非常受人們的青睞。但由于受各種外界因素干擾，嚴(yán)重影響人臉識別率，因此大多數(shù)研究者把提取人臉最有用的信息和提高人臉識別率作為研究的重要任務(wù)。
　　論文作者通過大量文獻(xiàn)了解到現(xiàn)有人臉識別存在一些缺點(diǎn)，進(jìn)行全面分析，提出了

2、一種將KPCA和LDA融合改進(jìn)的算法。首先解決人臉的非線性問題，進(jìn)而降低樣本空間維數(shù)；然后解決“小樣本”及邊緣數(shù)據(jù)的分類問題；最后利用改進(jìn)KNN和支持向量機(jī)融合的方法進(jìn)行分類識別。論文的研究工作具體如下：
　?。?）將原始人臉圖像首先進(jìn)行白化、低通濾波預(yù)處理，去除干擾、噪聲的同時(shí)平衡圖像的能量譜，然后運(yùn)用雙樹復(fù)小波和 Gabor小波提取人臉8個(gè)方向的特征向量，為以后特征空間的形成做準(zhǔn)備。
　?。?）為了解決非線性和樣本維數(shù)過

3、高導(dǎo)致計(jì)算過于復(fù)雜的問題，提出了用最佳樣本均值估計(jì)向量代替原始樣本向量的核主成分分析算法(KPCA)；為了解決“小樣本”及邊緣數(shù)據(jù)的分類問題，提出了改進(jìn)LDA算法即：首先對類間散度矩陣SB進(jìn)行特定加權(quán)值處理，然后提取類內(nèi)散度矩陣SW的零空間和去除類間散度矩陣SB的零空間。最后將二者結(jié)合形成本文提出的KPCA和LDA融合改進(jìn)的算法。
　?。?）為了進(jìn)一步降低了樣本的維數(shù)，有效抑制噪聲的干擾提出了改進(jìn)KNN和支持向量機(jī)融合的方法。