基于代數(shù)特征的人臉識別算法研究.pdf

1、人臉識別作為生物特征識別的一種，在公共安全、身份驗證、自動跟蹤、數(shù)字視頻處理等方面有著非常廣泛的應(yīng)用。由于王見代計算機科學(xué)技術(shù)的進步，人臉識別技術(shù)已經(jīng)成為人工智能領(lǐng)域所研究的重點課題之一。
　　在諸多人臉識別算法中，基于代數(shù)特征的識別算法有著相對較低的計算復(fù)雜度而受到廣泛的關(guān)注。由于光照條件、表情變化等外部條件的影響，基于代數(shù)特征的算法識別率還有很大地改善和提升的空間。
　　本文在原有的基于代數(shù)特征的人臉識別算法的基礎(chǔ)上，分

2、別從提高識別率和縮短識別時間兩個方面進行研究分析，不儀有效提升了代數(shù)特征的識別準確率，對識別效率也有了很大改善:
　　(1)改進的PCA快速人臉識別。改進后的算法相對于傳統(tǒng)PCA方法，在匹配人臉之前首先選取一定數(shù)量的候選集合，圖像預(yù)處理以及之后的PCA特征提取和選擇都是在候選集中進行的，最后選用最常用的最近鄰分類器進行相似性匹配。該方法在預(yù)處理、特征提取以及降維使用的是按照一定標準選擇的候選集合中的人臉圖像，而不是所有的訓(xùn)練樣本，

3、這樣節(jié)約了大量的原始數(shù)據(jù)處理時間。在ORL人臉數(shù)據(jù)庫上分別進行了兩種算法的效率對比，結(jié)果顯示，在使用了候選集之后，不僅可以縮短識別的時間，而且沒有犧牲算法的識別率。
　　(2)模糊對角2DLDA人臉識別算法。針對線性鑒別分析的類內(nèi)離散矩陣奇異而不能直接應(yīng)用于小樣本問題，并且存在對總樣本空間的中心定位不準確的問題，采用了對角變換方法的同時融合了對樣本的模糊分區(qū)，并提出了新的計算類間離散矩陣的方法。在特征提取之前先對面部圖像作對角變化

4、，之后使用模糊k近鄰(FKNN)計算每個樣本屬于不同類別的隸屬度，并用隸屬度計算類內(nèi)離散矩陣和重新定義的類間離散矩陣，最后得到最佳鑒別投影進行降維和特征提取。
　　(3)模糊雙向加權(quán)求和人臉識別方法。在雙向特征投影的基礎(chǔ)上，提出一種模糊雙向加權(quán)求和準則，成功地實現(xiàn)在人臉識別系統(tǒng)中。在FBWSC中，首先定義了面向圖像的行方向最佳投影矩陣并進行最優(yōu)投影變換，得到行方向特征訓(xùn)練樣本集;引入模糊距離的概念，計算出在行方向上的距離權(quán)值。同樣

5、地，給出了面向圖像的列方向最佳投影矩陣并進行最優(yōu)投影變換，得到列方向特征訓(xùn)練樣本集;再利用模糊距離的概念計算列方向上的距離權(quán)值。FBWSC將行方向特征訓(xùn)練樣本集與列方向特征訓(xùn)練樣本集加權(quán)求和，從而完成對原始樣本數(shù)據(jù)的特征提取。在ORL、FERET以及Yale人臉庫上實驗結(jié)果表明，文中提出的模糊雙向加權(quán)求和準則特征提取方法用于人臉識別具有較高的識別率。
　　(4)FDLPP算法及其在人臉識別中的應(yīng)用。利用最大間距準則(MMC)將局部