基于DCT的人臉識別方法研究.pdf

1、本文主要針對人臉圖像預(yù)處理，特征提取兩個(gè)方面進(jìn)行深入討論。 介紹了DCT在人臉識別中的降維應(yīng)用：DCT變換系數(shù)矩陣左上角的有限個(gè)系數(shù)包含了人臉圖像的大部分信息，這部分信息更有利于識別，因此僅保留這部分系數(shù)可以起到降維的目的。然后借助DCT提出了一種人臉圖像預(yù)處理方法：基于DCT特性的光線補(bǔ)償。這種方法利用了DCT變換本身的特點(diǎn)：特定DCT系數(shù)對偏光照射負(fù)主要責(zé)任，通過處理這些系數(shù)可以對人臉圖像進(jìn)行光線補(bǔ)償。 Fisher

2、線性判別分析在人臉識別應(yīng)用中取得了很好的效果。本文在DCT的基礎(chǔ)上，提出了兩種新的基于Fisher線性判別分析的人臉識別方法：基于DCT的D-LDA方法，基于DCT的改進(jìn)零空間方法。為了縮短識別時(shí)間，證明了直接在DCT域上應(yīng)用D-LDA方法與零空間方法是可行的。對于前一種方法，在對類問散布矩陣做特征分析之前先用DCT降維，使能量集中，從而保留了類內(nèi)散布矩陣的零空間信息，另外，重新定義了Fisher線性判別準(zhǔn)則。對于后一種方法，傳統(tǒng)的像素

3、聚類方法降維不僅算法復(fù)雜，而且丟失了許多有用信息，使用DCT變換代替?zhèn)鹘y(tǒng)的像素聚類過程，從而盡可能多的保留了有利于分類的信息。對兩種方法，都采用了一種加權(quán)求解總的類間散布矩陣和總的類內(nèi)散布矩陣的策略：對總的類間散布矩陣，通過適當(dāng)?shù)臋?quán)函數(shù)加大距離較近兩類的作用，因?yàn)橄噜忀^近的兩類的誤分可能性比較大；對于總的類內(nèi)散布矩陣，通過選擇適當(dāng)?shù)臋?quán)函數(shù)來減小邊緣類的影響，因?yàn)檫吘夘愒谠驾斎肟臻g已經(jīng)能很好與其它類分開，那么在特征提取后的予空間中，邊緣

4、類的類內(nèi)散布矩陣是否壓縮對最后分類的影響不大。實(shí)驗(yàn)結(jié)果表明，加權(quán)策略能夠取得更好的試驗(yàn)效果。 為了在進(jìn)一步降維時(shí)取得較好的識別效果，本文引入一種迭代的線性判別分析方法“Fractional-step線性判別分析(簡稱F-LDA)”應(yīng)用到人臉識別中。由于F-LDA直接應(yīng)用于高維空間的計(jì)算復(fù)雜度太大，一般是不能直接使用的，經(jīng)過先前的特征提取階段已使維數(shù)足夠降低，所以能夠與F-LDA相結(jié)合。對所提出的算法，在ORL與Yale人臉庫上進(jìn)