基于小波變換與改進(jìn)子空間融合算法的人臉識(shí)別研究.pdf

1、近幾十年來(lái)，伴隨著信息技術(shù)逐漸走向成熟，越來(lái)越多的場(chǎng)所需要進(jìn)行快速有效的身份鑒定。人臉識(shí)別技術(shù)作為信息技術(shù)的發(fā)展產(chǎn)物憑借其良好性能迅速成為了當(dāng)今模式識(shí)別研究領(lǐng)域的新寵，并被成功地應(yīng)用到各個(gè)領(lǐng)域。
　　Matthew Turk等人提出的主成分分析(PCA)和Belhumeur, P N等人提出的線性判別分析(LDA)是人臉識(shí)別技術(shù)研究史上的一次重大革命，這兩種算法都是向量化人臉圖像矩陣的處理方法，識(shí)別效果較好，但容易出現(xiàn)“小樣本”樣

2、例和“維數(shù)災(zāi)難”問(wèn)題。考慮到人臉的整體內(nèi)在結(jié)構(gòu)，Yang J等從二維圖像矩陣出發(fā)提出了二維主成分分析(DPC)，并取得了顯著的效果，但該算法的缺點(diǎn)是沒(méi)有考慮樣本間的差異而且得到的特征維數(shù)較高。而小波變換(WT)可以同時(shí)提取時(shí)域和頻域特征，并具有多分辨率分析、良好壓縮比及自適應(yīng)性的特點(diǎn)，在數(shù)據(jù)降維方面表現(xiàn)出巨大的優(yōu)勢(shì)，因此吸引了廣大學(xué)者，和成功被應(yīng)用于人臉識(shí)別技術(shù)上。但大多數(shù)小波變換方法都是直接舍棄高頻成分只提取近似圖像低頻成分的特征，但

3、我們知道高頻成分中同樣包含著重要的人臉細(xì)節(jié)特征信息。因此本文提出的兩種算法都兼顧了兩者中的特征。
　　針對(duì)以上問(wèn)題，本文先是闡述了小波變換和PCA, LDA等算法的相關(guān)理論。然后分別用改進(jìn)的2DPCA, LDA對(duì)小波變換的子帶提取特征。主要內(nèi)容如下：
　　(1)對(duì)小波變換的低頻和高頻成分加權(quán)融合。同時(shí)考慮到樣本的差異和2DPCA提取的特征維數(shù)較高，根據(jù)樣本自身屬性引入加權(quán)函數(shù)改進(jìn)2DPCA并進(jìn)行兩次特征提取。該算法更加充分挖

4、掘了臉部的特征信息，同時(shí)加入了利于分類(lèi)的類(lèi)別信息，而且進(jìn)一步降低了特征的維數(shù)。實(shí)驗(yàn)結(jié)果表明，該算法的識(shí)別效果優(yōu)于2DPCA, WT、2DPCA和2DDPCA。
　　(2)將小波變換的低頻成分在改進(jìn)的LDA算法下提取特征，同時(shí)將高頻成分采用更新迭代的方法融合，然后再在改進(jìn)的LDA算法下提取特征，最后融合低頻和高頻的特征。該算法對(duì)高頻的融合采用優(yōu)化的方式，不受人為因素的影響，而且改進(jìn)的LDA避免了邊緣類(lèi)重疊問(wèn)題和類(lèi)內(nèi)散度矩陣不可逆時(shí)F