论文部分内容阅读
作为身份识别的重要技术之一,人脸识别具有易获得和非接触性的特点,应用非常广泛。但是,由于人脸图像采集环境的随机性,导致人脸在整幅图像中的位置和大小具有很大的不确定性,使得图像不能够精确配准,识别效果不佳。为解决这个问题,本文改进了多度量学习方法(PMML),计算测试图像和每一幅训练样本之间的最优马氏矩阵,以便提高对未精确配准图像进行识别的鲁棒性。然而,改进的多度量学习方法(IPMML)计算复杂度非常高,为了减少计算量和增强识别效果,本文首先提出基于线性判别分析(LDA)和IPMML的人脸识别方法。另外,考虑到人脸图像的纹理信息在人脸识别中至关重要,为了增强纹理信息,本文又提出一种基于局部二进模式(LBP)和IPMML的人脸识别方法。本文的主要研究工作如下:(1)改进了多度量学习方法。首先对人脸图像进行分块,然后利用PMML方法计算测试人脸图像和每一幅训练图像之间的最优马氏矩阵,最后根据得到的最优马氏矩阵计算样本图像的判别距离。(2)提出一种基于LDA和IPMML的人脸识别方法。首先利用LDA提取样本图像的Fisher特征,然后对其进行分块,接着采用IPMML计算测试样本和训练样本的判别距离,最后采用最近邻(NN)方法对测试样本进行分类。(3)提出一种基于LBP和IPMML的人脸识别方法。首先利用LBP提取样本图像的纹理特征,然后使用LDA方法对LBP图谱进行降维,并对获取的低维特征进行分块,采用IPMML计算其判别距离,最后利用NN方法进行分类。本文首先在Yale人脸数据库上分别采用NN、PMML和IPMML方法进行了仿真实验,实验结果表明,IPMML方法能够可靠、有效地识别人脸图像,尤其是小样本图像和未精确配准图像。其次,针对本文提出的两种人脸识别方法,分别在Yale、扩展的Yale B和AR人脸数据库上进行仿真实验,结果表明本文提出的两种算法可以有效地识别人脸图像,具有较强的鲁棒性,且基于LBP和IPMML的人脸识别方法的识别效果明显优于基于LDA和IPMML的人脸识别方法。