论文部分内容阅读
本文分四个阶段总结和比较了文献中人脸识别各个阶段的主要研究成果。人脸识别技术在最近几十年，有了很好的发展，但是在识别算法的普遍性问题，大数据人脸识别，识别的时间、准确率等方面还有很大的改进空间。本文将针对这些问题进行探究，主要研究内容如下: 首先，基于主成分分析(PCA)的人脸识别是人脸识别的主流方法之一，首先对训练数据矩阵进行降维，生成特征脸，再将测试数据矩阵投影到特征脸空间得到相应的线性表示系数，从而进行分类识别。但是主成分分析人脸识别不具有普遍适用性，本文分别用了LFW、ORL、XM2VTS三种数据库进行了实验，由实验结果分析可知，用主成分分析算法对不同的数据库进行人脸识别时，正确率会有很大的变化。对LFW人脸数据库进行的识别实验准确率较好，而在ORL、XM2VTS两种人脸数据库上进行实验得到的准确率相对较差，比较LFW人脸数据库的准确率而言准确率相差非常大。支持向量机(SVM)是模式分类的一种算法，可以用于图像识别，所以文章中用支持向量机算法在ORL、IFD两种人脸数据库上进行了对比实验。 其次，将主成分分析算法与支持向量机算法结合，先基于主成分分析进行人脸图像特征提取和选择，再将所提取的人脸特征向量进行支持向量机分类器的训练，最后进行人脸识别，这种方法显著提高了ORL人脸数据库的识别率。 最后，深度学习方法应用于图像识别，解决了图像识别中数据量过大、分类类别过多、识别率较低等问题，特别是卷积神经网络，在人脸识别领域得到了很好的应用。文章中首先介绍了受限玻尔兹曼机和卷积神经网络算法，然后用受限玻尔兹曼机和卷积神经网络对XM2VTS人脸数据库进行了识别实验。