人臉識(shí)別中特征提取算法的研究與實(shí)現(xiàn).pdf

1、人臉識(shí)別是一項(xiàng)極具發(fā)展?jié)摿Φ纳锾卣髯R(shí)別技術(shù)，在銀行、公安系統(tǒng)、社會(huì)福利保障等領(lǐng)域有著廣泛的應(yīng)用前景。經(jīng)過(guò)幾十年的研究，人臉識(shí)別取得了長(zhǎng)足的發(fā)展與進(jìn)步，目前在控制和配合條件下人臉識(shí)別可以取得比較高的準(zhǔn)確率，但是在非控制和非配合條件下，人臉識(shí)別仍然是一個(gè)極具挑戰(zhàn)性的課題。人臉特征容易受到光照、表情等因素的影響，從而導(dǎo)致識(shí)別率急劇下降，因此研究出魯棒性高且能夠提取更好表征能力特征的特征提取算法具有十分重要的現(xiàn)實(shí)意義。本文主要研究了適用于光照

2、環(huán)境下的特征提取算法并在人臉識(shí)別原型系統(tǒng)中得以實(shí)現(xiàn)，主要工作如下所示：
　　（1）分析并總結(jié)了人臉識(shí)別在生物特征識(shí)別中的優(yōu)勢(shì)、應(yīng)用領(lǐng)域以及所面臨的問(wèn)題，闡述了特征提取算法在國(guó)內(nèi)外的研究和應(yīng)用現(xiàn)狀。同時(shí)概述了人臉的主要特征，介紹了特征提取和特征選擇方法，并且介紹了光照影響下人臉的處理方法。
　　（2）現(xiàn)有的大多數(shù)特征提取算法在提取人臉特征時(shí)，容易受到光照等外界因素的影響，從而導(dǎo)致人臉識(shí)別率下降。而方向梯度直方圖（Histogr

3、am of Oriented Gradient，HOG）對(duì)光照具有較強(qiáng)的魯棒性，它能夠很好的減小光照對(duì)特征提取造成的影響，但傳統(tǒng)HOG在計(jì)算梯度幅值和方向時(shí)只計(jì)算水平和垂直方向上四個(gè)像素點(diǎn)對(duì)中間像素的影響，當(dāng)外界環(huán)境變化時(shí)不能保證其穩(wěn)定性，因此提出一種基于Haar特性的改進(jìn)HOG的特征提取算法。該算法在計(jì)算梯度幅值和方向時(shí)考慮水平、垂直以及對(duì)角線(xiàn)上8個(gè)像素點(diǎn)對(duì)中間像素的影響，由于增加計(jì)算量導(dǎo)致特征提取時(shí)間隨之增加，因此引入Haar，借助

4、Haar型特征運(yùn)算簡(jiǎn)單、快捷的特點(diǎn)設(shè)計(jì)4組Haar型特征編碼模型，按照改進(jìn)的HOG特征計(jì)算方式提取人臉特征。仿真結(jié)果表明該算法對(duì)光照具有更好的魯棒性，能夠在復(fù)雜環(huán)境下提高人臉識(shí)別率。
　?。?）針對(duì)特征提取過(guò)后特征維數(shù)過(guò)大以及存在較多冗余特征的問(wèn)題，借助受限玻爾茲曼機(jī)（Restricted Boltzmann Machine，RBM）能夠提取出低維高度可分特征的優(yōu)點(diǎn)來(lái)進(jìn)行特征選擇，但是在RBM訓(xùn)練過(guò)程中，如果選擇的學(xué)習(xí)參數(shù)不適合數(shù)

5、據(jù)集或RBM結(jié)構(gòu)，將無(wú)法正確建立數(shù)據(jù)分布模型。因此提出一種基于粗糙集的RBM特征選擇算法。該算法首先利用粗糙集理論分析樣本數(shù)據(jù)之間的決策關(guān)系，從數(shù)據(jù)樣本中獲取最簡(jiǎn)決策規(guī)則和各個(gè)屬性的隸屬度；再根據(jù)得到的決策規(guī)則以及隸屬度確定了RBM的初始參數(shù)；并根據(jù)確定的初始權(quán)值和每次更新得到的權(quán)值共同確定下一次權(quán)值，同時(shí)根據(jù)迭代誤差動(dòng)態(tài)控制權(quán)值的更新步長(zhǎng)，從而改進(jìn)權(quán)值更新準(zhǔn)則來(lái)優(yōu)化RBM算法。仿真結(jié)果表明該算法減少了網(wǎng)絡(luò)訓(xùn)練的迭代次數(shù)，同時(shí)減少了RB

6、M學(xué)習(xí)的重構(gòu)誤差，從而提取出低維高度可分的特征。
　?。?）最后，設(shè)計(jì)并實(shí)現(xiàn)了一個(gè)人臉識(shí)別原型系統(tǒng)。該系統(tǒng)基于上述研究成果，設(shè)計(jì)并實(shí)現(xiàn)了人臉檢測(cè)、特征提取以及人臉識(shí)別等功能，并驗(yàn)證了基于Haar特性的改進(jìn)HOG的特征提取算法和基于粗糙集的RBM特征選擇算法的有效性和實(shí)用性，同時(shí)為了提取出表征能力更好的特征來(lái)提高人臉識(shí)別率，本系統(tǒng)將多個(gè)RBM疊加成一個(gè)深度信念網(wǎng)（Deep Belief Network，DBN）來(lái)對(duì)特征進(jìn)行選擇。最后