论文部分内容阅读
经过几十年的发展,人脸识别已经成为模式识别领域的一个热点研究课题,并且越来越受到关注。虽然近几年人脸识别技术得到了迅速的发展,但是仍然无法很好的应用于实际的商业产品中。阻碍人脸识别技术应用的重要原因之一就是人脸识别中的小样本问题。针对这一问题,本文对判别共同向量(Discriminative Common Vector, DCV)进行了深入的研究,并设计实现了基于DCV特征提取算法和支持向量机(Support Vector Machine, SVM)分类器的人脸识别方法。判别共同向量(DCV)是近几年在Fisher线性判别分析(Fisher Linear Discriminant Analysis, FLDA)算法的基础上提出的一种新的特征提取算法。DCV算法在保留了全部的FLDA最佳判别向量的同时,克服了FLDA处理小样本问题时存在的求解广义特征方程存在病态奇异解问题。本文采用典型的最近邻算法作为分类器,通过实验对PCA、DCV和PCA+DCV这三种特征提取算法的性能进行了对比。实验结果表明,对于小样本特征提取,DCV算法可以得到更高的识别率；DCV算法中的DCV算法2具有很好的稳定性；DCV算法2与PCA+DCV算法具有相同特征提取效果,但在算法训练时间上PCA+DCV相比DCV算法2更有优势。由于最近邻分类器性能的局限性,本文在采用DCV算法2作为特征提取算法的基础上,设计实现了DCV+SVM的人脸识别方法。实验结果表明,在训练样本为2个、3个、4个和5个的时候,DCV+SVM方法的识别率比PCA+最近邻分类器算法分别高出7.81、4.64、5和5个百分点,比DCV+最近邻分类器算法分别高出6.56、3.57、2.5和4.5个百分点,这证明SVM在小样本问题上具有更强的分类能力。最后本文将DCV+SVM方法在DSP图像处理系统上进行了实现,经过测试得到,DCV+SVM方法在DSP图像处理系统上与在MATLBA上具有相同的识别率,且可以满足实时性要求。