基于BoW模型的人臉識(shí)別方法研究.pdf

1、在計(jì)算機(jī)和網(wǎng)絡(luò)技術(shù)高速發(fā)展的時(shí)代，人臉識(shí)別技術(shù)也隨之快速發(fā)展，并逐漸成為模式識(shí)別、人工智能等領(lǐng)域的研究熱點(diǎn)。人臉識(shí)別技術(shù)不僅在企業(yè)應(yīng)用、公共安全等方面應(yīng)用廣泛，而且在國家信息安全和金融安全等方面發(fā)揮了重要的作用。雖然人臉圖像容易采集，但是由于表情改變、光照及姿態(tài)不同、遮擋和年齡等問題的存在，使得人臉識(shí)別技術(shù)的進(jìn)展極其緩慢。通過閱讀大量的相關(guān)文獻(xiàn)不難發(fā)現(xiàn)，大部分的人臉識(shí)別方法都只針對(duì)其中的某個(gè)問題來尋求解決的方法，而沒有考慮到其中兩個(gè)或多

2、個(gè)問題同時(shí)存在時(shí)的解決方案，所以尋求一種魯棒的人臉識(shí)別方法將是今后研究的一個(gè)重點(diǎn)內(nèi)容。Bag of words(BoW)模型最初被應(yīng)用于文檔處理領(lǐng)域，而后被引入到圖像處理領(lǐng)域，并得到了很好的效果。本文將BoW模型應(yīng)用于人臉識(shí)別領(lǐng)域，并且在研究該模型的基礎(chǔ)上，針對(duì)其中存在的一些不足進(jìn)行了改進(jìn)：
　　首先，在視覺詞典的構(gòu)造環(huán)節(jié)，為了得到更可靠更高效的視覺詞典，針對(duì)傳統(tǒng)k-means聚類方法存在的過度依賴于初始聚類中心、隨著數(shù)據(jù)量增大，

3、計(jì)算復(fù)雜度增高和容易陷入局部極小等問題，將二分K均值引入到BoW模型中，進(jìn)行視覺詞典的構(gòu)造。該方法每次迭代過程中只有兩個(gè)聚類中心，不僅有效的降低了對(duì)初始聚類中心的依賴還減少了收斂時(shí)所需的迭代次數(shù)，從而提高了計(jì)算效率。實(shí)驗(yàn)結(jié)果表明，本文提出的方法不僅有效的提高了人臉識(shí)別率，還有效的縮短了構(gòu)造視覺詞典所需的時(shí)間。
　　其次本文將所提出的改進(jìn)方法應(yīng)用于單樣本的人臉識(shí)別，由于在現(xiàn)實(shí)生活中，很多情況下都只能獲得樣本的單張圖像，如居民身份證、

4、駕駛證、護(hù)照等，因此單樣本的人臉識(shí)別系統(tǒng)已經(jīng)成為人臉識(shí)別重要的發(fā)展方向。由實(shí)驗(yàn)結(jié)果可以看出，本文提出的算法對(duì)于單樣本的識(shí)別率很高，并且對(duì)于光照、表情及部分遮擋、面部不同角度的姿態(tài)等情況都具有很好的魯棒性
　　最后在分析了支持向量機(jī)(SVM)分類方法和人臉識(shí)別實(shí)際應(yīng)用需求的基礎(chǔ)上，將相關(guān)向量機(jī)(RVM)引入BoW模型中，將其作為分類器來對(duì)人臉圖像進(jìn)行分類識(shí)別。該方法有效的解決了SVM的預(yù)測(cè)結(jié)果不是概率性質(zhì)、核函數(shù)必須滿足Mercer