基于多尺度SVD的HMM的人臉識別研究.pdf

1、人臉包含許多重要的視覺信息，是表現(xiàn)人與人之間差別的重要生物特性之一。人臉識別已經(jīng)成為模式識別、圖像處理和信息安全等領(lǐng)域中最具有挑戰(zhàn)性的研究課題之一。在身份的自動辨認(rèn)和確認(rèn)的研究上，人臉識別具有巨大的應(yīng)用價值和重要科學(xué)意義。
　　本文重點關(guān)注的是人臉圖像的特征提取和識別技術(shù)。奇異值分解法能有效反映矩陣的特征，且具有位移不變性、轉(zhuǎn)置不變性等特性，因此它是圖像的一種有效特征。但是提取整幅圖像的奇異值特征有明顯的缺陷：整幅圖像的奇異值特征

2、向量僅反映圖像整體的特征，缺少對局部細(xì)節(jié)的表述。因此，多尺度奇異值分解（Multiscale Singular Value Decomposition，簡寫MSVD）算法被人們提出：將人臉圖像進(jìn)行多尺度劃分，得到每個圖像子塊的奇異值向量，取其前幾個最大的特征值，組成特征向量，再進(jìn)行人臉識別。由于多尺度奇異值特征向量反映了圖像的全局特征與多種尺度下的局部特征，是以它具有的分類信息更多。而本文提出了將MSVD和PCA融合作為特征提取的方法并

3、進(jìn)行實驗，雖然識別率有所提升，但是時間效果并不令人滿意，因此又提出了將MSVD和隱馬爾可夫模型（Hidden Markov Models，簡稱HMM）結(jié)合的方法。
　　隱馬爾可夫模型是一種統(tǒng)計模型，其中其狀態(tài)數(shù)是計算復(fù)雜度的主要有效因子。大多數(shù)研究人員根據(jù)面部區(qū)域劃分的數(shù)量使用了五個以上的狀態(tài)。基于對時間考慮，本文提出將三狀態(tài)的隱馬爾可夫模型作為人臉識別的分類器，在不影響識別效果的前提下減少了識別的時間。在研究過程中，確定了隱馬爾