论文部分内容阅读
人脸是人类一出生就具有的,可以作为人类在网络时代的信息交互的一种凭证,它具有独立性、唯一性与不被复制性,而且还具有各种立体信息,包括视觉和多维度识别信息。因此人脸识别技术逐渐应用于互联网时代,与虹膜识别、指纹识别等生物独有的特征识别相比,其具有独特的优点,主要表现为隐蔽性高、并发性好、非接触性、对硬件设备要求低等。在将现有人脸识别相关文献大量阅读之后,在前人研究的理论基础之上,研究了基于局部方向模式(LDP)的人脸识别方法,主要工作叙述如下:(1)针对现有方法仅利用了图像自身的LDP特征,并没有使用面部图像的先验信息的缺点,提出基于LDP和贝叶斯模型的识别方法。首先在互相独立的训练集上,学习同类样本图像和异类样本图像的LDP直方图特征相似度的先验信息,并估计类条件概率密度函数(同类与异类样本分别计算);其次利用面部图像的LDP直方图比较该图像是否为某一类型图像的概率数值大小;最后使用贝叶斯规则进行分类。此方法在ORL与Yale面部图像库上进行识别实验,与传统PCA、LBP和LDP方法相比较,面部识别率均有了显著提升。(2)为了进一步提高LDP方法的人脸识别率,结合整体特征、局部特征以及集成分类器的优势,提出一种基于DCT和LDP特征的集成分类器识别方法。该方法首先选择包含面部主要信息的低频DCT系数作为面部的频域特征,然后求取LDP特征直方图,得到LDP面部特征,然后将提取的这两种特征分别用SVM、最近邻分类器进行首次分类,最后构造一个基于神经网络的集成分类器模型,对如上所述的两个分类器的输出结果进行决策融合,并通过在神经网络的输出层构建多任务分类器,使训练过程中分类器能够充分利用多个相关任务所包含的信息。该方法综合考虑DCT和LDP的优点,并利用决策融合的思想实现分类集成的面部识别方法。经过仿真结果证明,此方法在ORL与Yale面部图像库上的结果,与传统PCA、LBP和LDP算法相比较,面部识别率均有了显著提升。