人臉驗(yàn)證算法的改進(jìn)與研究.pdf

1、人臉驗(yàn)證是計(jì)算機(jī)識(shí)別領(lǐng)域非?；钴S的研究課題，它包括三個(gè)主要技術(shù)環(huán)節(jié)，即預(yù)處理、人臉特征提取和分類器設(shè)計(jì)。人臉特征提取又稱為人臉表述，是在低維特征空間內(nèi)對(duì)原高維空間的人臉模式進(jìn)行描述、建模，從而提取出有利于分類的低維特征。特征提取是人臉驗(yàn)證的關(guān)鍵環(huán)節(jié)，也是主要難點(diǎn)所在，因此人臉特征提取技術(shù)一直是研究的熱點(diǎn)。 本文主要針對(duì)人臉特征提取技術(shù)進(jìn)行研究，以基于客戶相關(guān)的判別分析方法為主，系統(tǒng)地研究了人臉驗(yàn)證算法，主要內(nèi)容為： (1

2、)在基于客戶相關(guān)的線性判別分析(CSLDA)方法的基礎(chǔ)上進(jìn)行改進(jìn)，提出了一種模塊化2DPCA和CSLDA方法相結(jié)合的人臉驗(yàn)證方法。CSLDA方法將圖像矩陣轉(zhuǎn)化為向量進(jìn)行處理，數(shù)據(jù)維數(shù)很大，計(jì)算復(fù)雜，對(duì)圖像整體處理沒(méi)有考慮到圖像的局部特征。針對(duì)這些缺點(diǎn)，新方法從原始數(shù)據(jù)出發(fā)，對(duì)二維數(shù)據(jù)進(jìn)行分塊后采用2DPCA進(jìn)行特征抽取，能有效提取圖像的局部特征，得到替代原始圖像的低維的新模式。然后對(duì)新模式施行CSLDA，不僅考慮到了類內(nèi)、類間的差異，彌

3、補(bǔ)了PCA的缺陷；還利用客戶相關(guān)子空間可以較好的描述不同個(gè)體人臉之間的差異性的優(yōu)點(diǎn)，比傳統(tǒng)的個(gè)體特征臉?lè)椒ㄓ懈玫呐袆e能力。在人臉庫(kù)上的實(shí)驗(yàn)結(jié)果表明，新方法在驗(yàn)證效果上優(yōu)于CSLDA方法。 (2)在(1)基礎(chǔ)的引導(dǎo)下，繼續(xù)對(duì)引入核運(yùn)算后的基于客戶相關(guān)的非線性判別分析(CSKDA)方法進(jìn)行改進(jìn)，和模塊化2DPCA相結(jié)合，提出了基于模塊化2DPCA和CSKDA的人臉驗(yàn)證方法，在人臉庫(kù)上的實(shí)驗(yàn)結(jié)果表明新方法可以取得更好的驗(yàn)證結(jié)果。

4、 (3)研究核自適應(yīng)算法。核運(yùn)算的引入使得我們可以解決非線性的模式識(shí)別問(wèn)題，從而取得更好的效果，但核方法的優(yōu)勢(shì)往往取決于選取一個(gè)合適的核函數(shù)，一種可行的辦法就是根據(jù)數(shù)據(jù)自動(dòng)的學(xué)習(xí)得到最合適的核函數(shù)。早期的核函數(shù)學(xué)習(xí)方法往往有一定的局限性，比如對(duì)于確定的核函數(shù)，只能通過(guò)不斷學(xué)習(xí)確定其參數(shù)得到最好的結(jié)果。本文提出了基于核矩陣學(xué)習(xí)的人臉驗(yàn)證非線性算法，為了進(jìn)一步減少計(jì)算量，使用改進(jìn)的準(zhǔn)則函數(shù)，從而避免了對(duì)類內(nèi)散布矩陣求逆。在人臉庫(kù)上進(jìn)行評(píng)