小波理論在人臉識別中的應用研究.pdf

1、基于生物特征的識別技術被認為是身份識別的一種最安全、可靠的方式,其主要利用人類特有的個體特征來證實個人身份。計算機人臉識別技術是生物特征識別技術中的杰出代表,它廣泛地涉及到圖像處理,信號處理和模式識別等多方面的學科知識。人臉識別研究困難較多,比如大量的人臉圖像數據,高維向量特性、成像角度和不同光照條件等都對人臉識別提出挑戰(zhàn)。實際的人臉識別系統不僅要從畸變、有噪聲的圖像中對目標做出識別,同時還要具有較高的識別率和較快的處理速度。因此,人臉

2、識別技術是一項十分艱難的任務。
　　 本文對人臉識別的理論和方法、小波理論在人臉識別中的應用、光照對人臉識別的影響以及光照不變量的提取方法等方面進行了深入細致的研究。提出了基于小波變換的統計不相關鑒別分析的人臉識別方法,應用小波變換和去噪模型的光照不變人臉識別方法以及基于相鄰小波系數的光照不變量的提取方法。更重要的是,本文首次提出對訓練過程和測試過程采用雙模型的處理方法,即訓練過程利用基于相鄰小波系數的光照不變量的提取方法來處理

3、訓練圖像,而對于測試過程則僅僅修改小波低頻系數來提取光照不變量,這大大降低了測試過程算法的時間復雜度而使其更易于應用在實際的人臉識別系統。
　　 Fisher鑒別分析方法是特征提取中的一個重要方法,統計不相關的線性鑒別分析(ULDA)是非常著名的基于Fisher的鑒別分析方法。但是,它同一些基于Fisher的方法一樣都面臨一個問題:小樣本問題。隨著數碼技術的發(fā)展與提高,采集圖像的分辨率越來越高,得到圖像的維數則更大。因此,解決小

4、樣本問題勢在必行。在研究小波變換的基礎上,利用二維小波變換對高維圖像進行小波分解,利用得到的低頻圖像進行ULDA特征抽取。在解決小樣本問題的同時,又抑制了人臉的表情變化和少許遮擋,提高了特征抽取的有效性。實驗結果表明本算法可以大大降低時間復雜度。同時,在ORL庫上的識別率可以達到97.5％。在NUST603庫上的實驗表明平均誤識率只有1.4%。本文從理論和實驗兩個方面分析、證明了該方法在特征抽取和降維方面的優(yōu)勢。
　　 光照可以

5、顯著地改變人臉特征,同姿勢和表情相比,光照問題是機器視覺和人臉識別中面臨的更大挑戰(zhàn)。本文在研究小波去噪模型理論和圖像經小波變換后小波系數的特性的基礎上,提出應用小波變換和去噪模型的光照不變量提取算法,并將其應用于人臉識別。提取的光照不變量作為關鍵人臉特征用于人臉識別。該算法在對數域的光照人臉圖像上,利用二維小波變換,得到低頻系數和高頻系數。將高頻系數看作“噪聲”,對高頻系數利用收縮參數處理,保持低頻系數不變,最后利用小波逆變換提取光照不

6、變量。該算法由于引入了小波去噪模型,提取了最小均方差誤差的光照不變量,同時使用收縮參數對高頻系數做處理,增強了提取光照不變量的邊緣特征。在YALE B和CMU PIE人臉庫上的實驗驗證了本算法的高效性。
　　 通過對小波系數與光照不變量之間關系的研究,本文發(fā)現相鄰小波系數的相關性對光照不變量的提取具有重要影響?；谶@一發(fā)現,本文提出了一種新的基于相鄰小波系數的光照不變量的提取方法,該方法考慮到了較小鄰域內高頻小波系數之間的相關性

7、,通過采用基于相鄰小波系數的去噪模型處理高頻系數,因此能更有效的去除“噪聲”,保留更多的有用信息。對于低頻系數不予修改,使得最終提取的光照不變量能夠具有較好的邊緣保持能力。同時,本文首次提出對訓練過程和測試過程采用雙模型的處理方法,即訓練過程利用基于相鄰小波系數的光照不變量的提取方法來處理訓練圖像,而對于測試過程則僅僅修改小波低頻系數來提取光照不變量,這大大降低了測試過程算法的時間復雜度而使其更易于應用在實際的人臉識別系統。在Yale