论文摘要
人脸识别技术是生物特征识别的关键技术之一,其研究内容是如何利用计算机分析和处理人脸图像,并从中提取有效的识别信息,完成身份辨识。近年来成为图像处理、人工智能、模式识别和计算视觉等领域的研究热点。经过多年的发展,研究者尝试利用计算机模仿人类识别人脸的能力,提出了很多人脸识别的有效算法,利用不同技术提高了识别算法的平均识别性能。然而,在识别过程中仅提高算法的平均识别率是不够的,类最差识别率（所有个体识别率的最小值）也是对算法的总体性能进行评价的重要指标。本文从这一问题出发,提出了一种加权的模糊线性判别分析方法,通过增大人脸子空间中的最小类间距,提高了算法的类最差识别率。Fisher脸法是基于表观的人脸识别中的重要算法之一。该方法在经过主成分分析降维后的人脸数据上提取人脸特征,有效的解决了人脸识别中的高维和小样本问题,且对图像中人脸的光照和表情等变化不敏感。由于这些优点,Fisher脸法成为人脸识别中的十分流行的特征提取方法之一,并衍生出了很多改进算法,其中Keun-Chang Kwak等将Fisher脸法与模糊技术相结合,提出了模糊线性判别分析方法。该方法利用训练图像的隶属度来描述样本的分布,能较好的估计训练集中各类样本中心,提高了算法的识别性能。为了提高算法的类最差识别率,本文在模糊线性判别分析的基础上对类间距进行加权,改变了最优投影矩阵的投影方向,在利用遗传算法优化权系数的过程中逐渐增大投影后样本的最小类间距,从而改善了样本的线性可分程度。最后在三个公开的人脸库上分别对本文提出的算法进行测试,并和Fisher脸法、模糊线性判别分析方法的测试结果进行比较。实验结果显示本文提出的算法增大了特征空间中样本的最小类间距,有效的提高了算法的最差类识别率,改善了识别算法的性能。
论文目录
相关论文文献
标签：人脸识别论文; 特征脸论文; 模糊线性判别分析论文; 遗传算法论文;