论文部分内容阅读
人脸识别技术是当前模式识别领域的一个重要研究方向，因其友好性，隐蔽性，不易察觉且识别率高等优点赢得众多学者的欢迎。在国家安全、保安监控、商业等领域同样得到了广泛的应用。人脸识别技术主要包括三个方面的内容：人脸检测、特征提取、识别分类。由于人脸图像的维数较高，进行处理时非常复杂，因而对数据存储能力和计算能力的要求很高。所以特征提取就成为人脸识别中非常重要的环节，而能否提取出具有最大判别能力的向量也成为判断人脸识别算法优劣的主要标准。本文在经典算法的基础上，对人脸识别的特征提取与分类识别进行分析，做出了如下工作：1．在边界Fisher分析算法（MFA）的基础上，借鉴最优Fisher判别分析的算法，提出了零空间边界Fisher分析算法，利用零空间和非零空间分别进行特征提取，解决了因类内散布矩阵奇异而无法直接使用Fisher判别准则求解的问题，即避免了小样本问题。在ORL和YALE人脸数据库上的实验结果表明文中所提出的方法提高了识别率，证明了该算法的有效性；2．在双向二维算法的框架下，根据能量保持百分比计算行列两个方向投影矩阵的信息损失百分比，然后依据总投影信息损失百分比最小化原则，利用约数法来有效地选择两个投影矩阵的投影向量数目。在ORL和YALE人脸数据库上的实验结果表明所提出的方法在减少整体计算复杂度的同时大大提高了识别率。在人脸特征分类阶段，零空间边界Fisher分析算法使用最近邻分类器进行分类识别；双向二维算法框架下的约数法特征提取则使用二维最近邻分类器进行分类识别。本文采用ORL和Yale人脸图像数据库进行实验，实验结果表明本文提出的方法具有更好的识别效果。