论文部分内容阅读
人脸的自动识别是利用计算机对人脸图像进行分析,并从人脸图像中提取有效的识别信息,用以进行人脸鉴别的一门技术。人脸识别技术具有广阔的应用前景和实际的应用价值。由于人脸图像可能会受到诸多因素的影响,使得人脸识别技术成为一项富有挑战性的课题。在人脸识别技术中,如何有效地消除不利因素对人脸识别性能所造成的影响成为人脸识别技术研究的重点。
广义的人脸识别一般包括人脸图像的获取、人脸检测与定位、人脸图像的标准化预处理、人脸的特征提取以及人脸的模式分类,并在此基础上对人脸的表情和姿态进行分类,得出相关的识别信息,另外还包括对人脸的生理分类。狭义的人脸识别通常只包括人脸的特征提取和人脸的模式分类。在人脸识别技术中,人脸的特征提取和人脸特征的模式分类是人脸识别系统的两个重要环节。特征提取阶段的主要任务是:如何有效地提取人脸特征,使得所提取的人脸特征尽可能缩小相同人脸类别之间的差异,同时尽可能扩大不同人脸类别之间的差异。在特征提取之后,需要对所提取的特征进行模式分类,这一阶段的主要任务是如何设计有效可靠的分类器对所提取的人脸特征进行分类。
本文重点研究了人脸的特征提取和人脸的模式分类。对人脸的特征提取和人脸的模式分类这两个重要环节,本文提出了一些行之有效的方法,并对这些方法重点进行了分析和讨论。
本文的主要内容包括:
1.概述了人脸识别技术,讨论了人脸识别技术所包含的几个主要步骤,回顾了人脸识别技术的发展历程,介绍了人脸检测技术和目前人脸识别的主要方法,然后介绍了目前人脸识别技术的应用和开发的人脸识别产品。
2.介绍了基于主元分析(PCA)的人脸识别方法,并在此基础上提出了一种基于DCT与Elman神经网络相结合的识别方法。该方法的特点是结合了DCT的快速特征提取算法和具有自适应性的神经网络方法,因此该方法具有较快的特征提取速度和较好的自适应性。首先,利用DCT将人脸图像由空间域变换到频域,并提取二维DCT系数的低频成分作为人脸特征,然后使用人脸训练样本对Elman神经网络进行训练来调整网络的权值。对于待识别样本,在利用DCT对其进行特征提取之后,采用训练后的Elman神经网络作为分类器进行模式分类。该方法在人脸图像库中进行了实验,实验结果表明了该方法的可行性和有效性。
3.分析了二维主元分析(2DPCA)方法、二维线性判别分析(2DLDA)方法、双向2DPCA方法和双向2DLDA方法各自的特点。不仅证明了在可替代的2DLDA方法中图像类内散布矩阵一般满足非奇异性,而且还定义了双向2DLDA方法分类时所需的距离,同时明确给出了基于最近邻距离的模式分类方法。双向2DLDA方法利用了2DPCA、2DLDA和双向2DPCA等方法的优点,既考虑了样本之间的类间与类内的差异信息,同时还考虑了图像的行方向和列方向信息,使得该方法仅需要较少的特征数据量就可以获得与2DLDA方法相似的识别率。在人脸图像库中的实验表明双向2DLDA方法获得了较好的识别效果。
4.在2DPCA方法的基础上,本文从不同角度出发对2DPCA进行了改进,提出了基于2DPCA的改进方法。这些方法包括:
(1)提出了一种基于二维加权主元分析(2DWPCA)的人脸识别方法。2DWPCA方法考虑了人脸的不同部位所包含的识别信息量不同这一事实,对人脸的不同部位赋予不同的权重。首先根据训练样本求解加权图像总体散布矩阵,并计算加权图像总体散布矩阵的一组最优特征向量,然后将人脸样本向该组最优特征向量进行投影来提取人脸特征,最后采用最近邻分类器进行分类。该方法在人脸图像库中进行了实验,实验结果表明:与2DPCA方法相比,2DWPCA方法取得了较好的识别效果。
(2)提出了一种基于二维类内主元分析(2DWCPCA)的人脸识别方法。2DWCPCA方法考虑了每个类的特征信息和不同类别之间的差异信息,同时2DWCPCA方法具有较好的样本可扩展性。首先,分别采用每一类的人脸训练样本计算相应类的类内图像散布矩阵。然后,根据每一类的类内图像散布矩阵求解该类的一组最优特征向量,并选为该类的最优投影轴。对于待识别人脸样本,将其分别投影到每一类的最优投影轴上,并计算人脸样本在每一类中的重建误差,最后,采用最小距离分类器来分类待识别样本。2DWCPCA方法在人脸图像库中进行了实验,实验结果表明:与2DPCA方法相比,2DWCPCA方法取得了较高的识别准确性。
(3)提出了一种基于复数域中二维线性判别分析(C2DLDA)的人脸识别方法·C2DLDA方法考虑了人脸在一定程度上的镜像对称性,同时注意到偶对称样本和奇对称样本对分类识别的重要性不同。C2DLDA方法首先对人脸样本进行镜像变换,根据原始人脸样本和相应的镜像样本分别计算偶对称样本和奇对称样本,通过奇偶加权因子将偶对称样本和奇对称样本组成复数样本,然后在复数域中分别定义复图像类内散布矩阵和复图像类间散布矩阵,并求解一组最优复投影轴,将复人脸样本投影到这组最优复投影轴上来提取人脸特征,最后采用最近邻分类器来分类所提取的特征。C2DLDA方法在人脸图像库中进行了实验,实验结果表明:与2DPCA方法相比,C2DLDA方法获得了较高的识别准确性。
(4)提出了一种图像欧氏距离(IMED)与2DPCA相结合的人脸识别方法。在传统的人脸识别方法中,通常只考虑了人脸图像的像素大小,而没有考虑到像素之间的相关位置关系。IMED方法充分考虑了像素之间的相关位置关系,并推导出了图像的标准化变换(ST)。2DPCA方法是直接对图像矩阵的特征提取方法,适合于IMED方法的处理。为此,提出了IMED与2DPCA相结合的方法进行特征提取,首先采用IMED方法对人脸图像进行ST处理,然后采用2DPCA方法进行人脸的特征提取,最后采用最近邻方法进行模式分类。在人脸图像库中的实验显示:与2DPCA方法相比,IMED与2DPCA相结合的方法在一定情况下获得了较高的识别准确性。
5.在最后一章中,对人脸识别技术做了总结,指出了人脸识别技术的难点和重点,然后总结了本文所提出的一些人脸识别方法,给出了进一步需要做的研究工作。最后展望了人脸识别技术今后的发展方向。