基于分塊的人臉特征提取與識別研究.pdf

1、人臉識別技術是模式識別與計算機視覺領域中非?；钴S的研究課題之一。其中，特征提取是模式識別眾多問題中最為重要的一個環(huán)節(jié)，人臉識別技術研究的關鍵所在就是如何提取有利于分類的鑒別特征。針對人臉圖像受表情、姿態(tài)和光照條件變化較大時，傳統(tǒng)全局特征提取方法無法提取人臉圖像局部特征，同時存在數(shù)據(jù)維度過高、樣本少和識別效果不理想等問題。本文就基于分塊的特征提取理論和方法做了以下相關研究，主要工作分為以下幾部分：
　?。?）闡述了人臉識別的研究背景

2、及歷史、現(xiàn)狀、研究內容及應用等，并簡要介紹了幾種典型的人臉數(shù)據(jù)庫。
　　（2）詳細的介紹了目前兩種經(jīng)典的代數(shù)特征提取方法：主成分分析（PCA）與線性鑒別分析（LDA）方法。并對這兩種方法的優(yōu)缺點作了簡要闡述。
　?。?）最大間距準則（MMC）方法利用樣本模式的類間與類內散度矩陣之差作為鑒別準則，類內散度矩陣是否奇異對最終識別沒有影響來解決小樣本問題。但MMC方法也存在著以下不足之處：（1）MMC方法是全局線性方法，特征提取時

3、易受光照條件和人臉表情變化等外界因素影響并且無法提取鑒別性較強的局部信息特征矢量。（2）需要將圖像矩陣向量化，導致圖像向量維數(shù)過高，計算量大。為此，我們提出了分塊MMC方法。分塊MMC方法可以部分消除由于光照條件不同而引起的人臉圖像的不穩(wěn)定性，有利于提取有效的局部信息特征。
　?。?）二維最大間距準則（2DMMC）方法直接利用圖像矩陣構造散度矩陣避免了小樣本問題，并且使得散度矩陣的維數(shù)大大降低，與MMC相比，整體識別速度與識別率有