论文摘要
随着信息处理技术的发展,人脸识别技术在其相关领域的应用越来越引起人们关注,与利用指纹、虹膜等其他生物特征识别相比,人脸识别具有直接、友好、方便的特点,是进行身份确认的最自然、最直接的手段,这使得人脸识别技术成为最具潜力的身份识别方式。因此也使其成为模式识别、图像处理和计算机视觉等学科的一大研究热点。本文检索和查阅了近年来大量的国内外关于人脸识别技术的资料文献,对人脸识别的一些方法进行了分析和研究,在总结已有的人脸检测、特征提取与识别方法的基础上,提出了一种改进的人脸识别的算法。人脸识别主要包括三方面的内容:人脸检测与定位,特征提取,分类与识别。本文研究的重点是人脸识别中的人脸检测定位及特征提取技术。本文首先介绍了几种常用于肤色检测的颜色模型,分析了人脸肤色在颜色空间中的分布及其特性,对黄色人种中人脸肤色的聚类特性进行讨论,指出了HSV颜色空间对肤色具有良好的聚类特性。然后,我们对人脸肤色在HSV颜色空间的分布规律进行了研究,建立了适合于黄色人种人脸的肤色模型,提出了基于此肤色模型的人脸检测算法,摒弃对灰度图象处理进行认证的方法。通过对S色彩分量空间的阈值分割,利用分割后的图像特点与标准脸的投影进行比对,实现对检测到的人脸进行认证。通过大量不同的图片和照片对此算法进行实验验证,结果表明该算法有效的提高了人脸检测的准确性和及时性。本文详细介绍了K-L算法、主成分分析（PCA）、线性判别分析（LDA）原理及实现。在线性判别分析的基础上指出:“在低维空间中,实例会因为不同的光照条件和面部表情等外界因素造成类内变量比类间变量变化大,从而导致线性判别分析的误判率比较高（特别是运用欧几里德距离）”。针对这一问题,本文在基于LDA方法的基础上提出了一种低维空间线性人脸识别分析方法。对LDA算法在低维空间的这一缺陷加以改进,与人脸的判断能量相结合,形成一种改进的LDA算法。理论分析与实验证明,该算法在低维空间提高了识别率,增强了算法的实用性能。在分类器的设计上,重点讨论了最近邻分类器和基于统计学习理论的支持向量机（SVM）。本文实验选用最近邻分类器,并利用ORL人脸数据库进行对比实验。实验表明,本文提出的方法在低维空间比传统LDA和PCA有更高的识别正确率。