基于代數(shù)特征的人臉識(shí)別方法研究.pdf

1、人臉的自動(dòng)識(shí)別是利用計(jì)算機(jī)對(duì)人臉圖像進(jìn)行分析，并從人臉圖像中提取有效的識(shí)別信息，用以進(jìn)行人臉鑒別的一門技術(shù)。人臉識(shí)別技術(shù)具有廣闊的應(yīng)用前景和實(shí)際的應(yīng)用價(jià)值。由于人臉圖像可能會(huì)受到諸多因素的影響，使得人臉識(shí)別技術(shù)成為一項(xiàng)富有挑戰(zhàn)性的課題。在人臉識(shí)別技術(shù)中，如何有效地消除不利因素對(duì)人臉識(shí)別性能所造成的影響成為人臉識(shí)別技術(shù)研究的重點(diǎn)。 廣義的人臉識(shí)別一般包括人臉圖像的獲取、人臉檢測(cè)與定位、人臉圖像的標(biāo)準(zhǔn)化預(yù)處理、人臉的特征提取以及人臉

2、的模式分類，并在此基礎(chǔ)上對(duì)人臉的表情和姿態(tài)進(jìn)行分類，得出相關(guān)的識(shí)別信息，另外還包括對(duì)人臉的生理分類。狹義的人臉識(shí)別通常只包括人臉的特征提取和人臉的模式分類。在人臉識(shí)別技術(shù)中，人臉的特征提取和人臉特征的模式分類是人臉識(shí)別系統(tǒng)的兩個(gè)重要環(huán)節(jié)。特征提取階段的主要任務(wù)是：如何有效地提取人臉特征，使得所提取的人臉特征盡可能縮小相同人臉類別之間的差異，同時(shí)盡可能擴(kuò)大不同人臉類別之間的差異。在特征提取之后，需要對(duì)所提取的特征進(jìn)行模式分類，這一階段的主

3、要任務(wù)是如何設(shè)計(jì)有效可靠的分類器對(duì)所提取的人臉特征進(jìn)行分類。 本文重點(diǎn)研究了人臉的特征提取和人臉的模式分類。對(duì)人臉的特征提取和人臉的模式分類這兩個(gè)重要環(huán)節(jié)，本文提出了一些行之有效的方法，并對(duì)這些方法重點(diǎn)進(jìn)行了分析和討論。 本文的主要內(nèi)容包括： 1.概述了人臉識(shí)別技術(shù)，討論了人臉識(shí)別技術(shù)所包含的幾個(gè)主要步驟，回顧了人臉識(shí)別技術(shù)的發(fā)展歷程，介紹了人臉檢測(cè)技術(shù)和目前人臉識(shí)別的主要方法，然后介紹了目前人臉識(shí)別技術(shù)的應(yīng)用和

4、開發(fā)的人臉識(shí)別產(chǎn)品。 2.介紹了基于主元分析(PCA)的人臉識(shí)別方法，并在此基礎(chǔ)上提出了一種基于DCT與Elman神經(jīng)網(wǎng)絡(luò)相結(jié)合的識(shí)別方法。該方法的特點(diǎn)是結(jié)合了DCT的快速特征提取算法和具有自適應(yīng)性的神經(jīng)網(wǎng)絡(luò)方法，因此該方法具有較快的特征提取速度和較好的自適應(yīng)性。首先，利用DCT將人臉圖像由空間域變換到頻域，并提取二維DCT系數(shù)的低頻成分作為人臉特征，然后使用人臉訓(xùn)練樣本對(duì)Elman神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練來調(diào)整網(wǎng)絡(luò)的權(quán)值。對(duì)于待識(shí)別樣

5、本，在利用DCT對(duì)其進(jìn)行特征提取之后，采用訓(xùn)練后的Elman神經(jīng)網(wǎng)絡(luò)作為分類器進(jìn)行模式分類。該方法在人臉圖像庫(kù)中進(jìn)行了實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明了該方法的可行性和有效性。 3.分析了二維主元分析(2DPCA)方法、二維線性判別分析(2DLDA)方法、雙向2DPCA方法和雙向2DLDA方法各自的特點(diǎn)。不僅證明了在可替代的2DLDA方法中圖像類內(nèi)散布矩陣一般滿足非奇異性，而且還定義了雙向2DLDA方法分類時(shí)所需的距離，同時(shí)明確給出了基于最近

6、鄰距離的模式分類方法。雙向2DLDA方法利用了2DPCA、2DLDA和雙向2DPCA等方法的優(yōu)點(diǎn)，既考慮了樣本之間的類間與類內(nèi)的差異信息，同時(shí)還考慮了圖像的行方向和列方向信息，使得該方法僅需要較少的特征數(shù)據(jù)量就可以獲得與2DLDA方法相似的識(shí)別率。在人臉圖像庫(kù)中的實(shí)驗(yàn)表明雙向2DLDA方法獲得了較好的識(shí)別效果。 4.在2DPCA方法的基礎(chǔ)上，本文從不同角度出發(fā)對(duì)2DPCA進(jìn)行了改進(jìn)，提出了基于2DPCA的改進(jìn)方法。這些方法包括：

7、 (1)提出了一種基于二維加權(quán)主元分析(2DWPCA)的人臉識(shí)別方法。2DWPCA方法考慮了人臉的不同部位所包含的識(shí)別信息量不同這一事實(shí)，對(duì)人臉的不同部位賦予不同的權(quán)重。首先根據(jù)訓(xùn)練樣本求解加權(quán)圖像總體散布矩陣，并計(jì)算加權(quán)圖像總體散布矩陣的一組最優(yōu)特征向量，然后將人臉樣本向該組最優(yōu)特征向量進(jìn)行投影來提取人臉特征，最后采用最近鄰分類器進(jìn)行分類。該方法在人臉圖像庫(kù)中進(jìn)行了實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明：與2DPCA方法相比，2DWPCA方法取得

8、了較好的識(shí)別效果。 (2)提出了一種基于二維類內(nèi)主元分析(2DWCPCA)的人臉識(shí)別方法。2DWCPCA方法考慮了每個(gè)類的特征信息和不同類別之間的差異信息，同時(shí)2DWCPCA方法具有較好的樣本可擴(kuò)展性。首先，分別采用每一類的人臉訓(xùn)練樣本計(jì)算相應(yīng)類的類內(nèi)圖像散布矩陣。然后，根據(jù)每一類的類內(nèi)圖像散布矩陣求解該類的一組最優(yōu)特征向量，并選為該類的最優(yōu)投影軸。對(duì)于待識(shí)別人臉樣本，將其分別投影到每一類的最優(yōu)投影軸上，并計(jì)算人臉樣本在每一類中

9、的重建誤差，最后，采用最小距離分類器來分類待識(shí)別樣本。2DWCPCA方法在人臉圖像庫(kù)中進(jìn)行了實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明：與2DPCA方法相比，2DWCPCA方法取得了較高的識(shí)別準(zhǔn)確性。 (3)提出了一種基于復(fù)數(shù)域中二維線性判別分析(C2DLDA)的人臉識(shí)別方法·C2DLDA方法考慮了人臉在一定程度上的鏡像對(duì)稱性，同時(shí)注意到偶對(duì)稱樣本和奇對(duì)稱樣本對(duì)分類識(shí)別的重要性不同。C2DLDA方法首先對(duì)人臉樣本進(jìn)行鏡像變換，根據(jù)原始人臉樣本和相應(yīng)的鏡

10、像樣本分別計(jì)算偶對(duì)稱樣本和奇對(duì)稱樣本，通過奇偶加權(quán)因子將偶對(duì)稱樣本和奇對(duì)稱樣本組成復(fù)數(shù)樣本，然后在復(fù)數(shù)域中分別定義復(fù)圖像類內(nèi)散布矩陣和復(fù)圖像類間散布矩陣，并求解一組最優(yōu)復(fù)投影軸，將復(fù)人臉樣本投影到這組最優(yōu)復(fù)投影軸上來提取人臉特征，最后采用最近鄰分類器來分類所提取的特征。C2DLDA方法在人臉圖像庫(kù)中進(jìn)行了實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明：與2DPCA方法相比，C2DLDA方法獲得了較高的識(shí)別準(zhǔn)確性。 (4)提出了一種圖像歐氏距離(IMED)與

11、2DPCA相結(jié)合的人臉識(shí)別方法。在傳統(tǒng)的人臉識(shí)別方法中，通常只考慮了人臉圖像的像素大小，而沒有考慮到像素之間的相關(guān)位置關(guān)系。IMED方法充分考慮了像素之間的相關(guān)位置關(guān)系，并推導(dǎo)出了圖像的標(biāo)準(zhǔn)化變換(ST)。2DPCA方法是直接對(duì)圖像矩陣的特征提取方法，適合于IMED方法的處理。為此，提出了IMED與2DPCA相結(jié)合的方法進(jìn)行特征提取，首先采用IMED方法對(duì)人臉圖像進(jìn)行ST處理，然后采用2DPCA方法進(jìn)行人臉的特征提取，最后采用最近鄰方法