论文部分内容阅读
近几十年来，伴随着信息技术逐渐走向成熟，越来越多的场所需要进行快速有效的身份鉴定。人脸识别技术作为信息技术的发展产物凭借其良好性能迅速成为了当今模式识别研究领域的新宠，并被成功地应用到各个领域。 Matthew Turk等人提出的主成分分析(PCA)和Belhumeur, P N等人提出的线性判别分析(LDA)是人脸识别技术研究史上的一次重大革命，这两种算法都是向量化人脸图像矩阵的处理方法，识别效果较好，但容易出现“小样本”样例和“维数灾难”问题。考虑到人脸的整体内在结构，Yang J等从二维图像矩阵出发提出了二维主成分分析(DPC)，并取得了显著的效果，但该算法的缺点是没有考虑样本间的差异而且得到的特征维数较高。而小波变换(WT)可以同时提取时域和频域特征，并具有多分辨率分析、良好压缩比及自适应性的特点，在数据降维方面表现出巨大的优势，因此吸引了广大学者，和成功被应用于人脸识别技术上。但大多数小波变换方法都是直接舍弃高频成分只提取近似图像低频成分的特征，但我们知道高频成分中同样包含着重要的人脸细节特征信息。因此本文提出的两种算法都兼顾了两者中的特征。 针对以上问题，本文先是阐述了小波变换和PCA, LDA等算法的相关理论。然后分别用改进的2DPCA, LDA对小波变换的子带提取特征。主要内容如下： (1)对小波变换的低频和高频成分加权融合。同时考虑到样本的差异和2DPCA提取的特征维数较高，根据样本自身属性引入加权函数改进2DPCA并进行两次特征提取。该算法更加充分挖掘了脸部的特征信息，同时加入了利于分类的类别信息，而且进一步降低了特征的维数。实验结果表明，该算法的识别效果优于2DPCA, WT、2DPCA和2DDPCA。 (2)将小波变换的低频成分在改进的LDA算法下提取特征，同时将高频成分采用更新迭代的方法融合，然后再在改进的LDA算法下提取特征，最后融合低频和高频的特征。该算法对高频的融合采用优化的方式，不受人为因素的影响，而且改进的LDA避免了边缘类重叠问题和类内散度矩阵不可逆时Fisher准则失效的问题。实验结果表明，该算法的识别效果优于PCA LDA WT、PCA WT、LDA和TWSBF、LDA。