基于隱馬爾科夫模型的人臉識別.pdf

1、隨著科技不斷地進步，信息安全越來越受到人們的重視，生物識別作為信息安全方面使用的重要方法，也得到了深入的研究。人臉識別由于具有快捷，友好的特點，廣大用戶能都很好的接受，所以得到了大量的應用。隱Markov模型(Hidden Markov Model，簡稱HMM)是一種統(tǒng)計模型，首先在語音識別方面得到了廣泛的應用，然后逐漸應用在了人臉識別方面。HMM作為一種人工智能化算法，擁有牢固的統(tǒng)計學基礎與有效的訓練算法，因而在語音識別領域得到了廣泛

2、的應用，但在人臉識別方面未能得到充分利用。
　　 本文首先介紹了人臉識別的基本內容和研究人臉識別有何意義，對人臉識別的前期工作了簡單介紹，主要包括預處理和特征提取。
　　 其次介紹了隱馬爾科夫模型(HMM)的基本原理與描述，實現隱馬爾科夫模型需要解決的三大問題及其解碼問題，在實際應用中如何解決隱馬爾科夫模型的溢出問題。由于人工神經網絡(ANN)具有抗噪聲、自適應、學習能力強、識別速度快、魯棒性等優(yōu)點，考慮到語音識別與模式

3、識別具有的共性特征與人工神經網絡的特點，本文將隱馬爾科夫模型(HMM)與人工神經網絡(ANN)相結合得到HMM-ANN，用人工神經網絡去補足隱馬爾科夫模型的一些不足之處。
　　 緊接著實現了隱馬爾科夫模型(HMM)在人臉識別方面的應用。使用本文的HMM模型在ORL人臉數據庫與Yale人臉數據庫上進行實驗對比：在ORL人臉庫上的實驗結果表明，HMM-ANN混合模型比HMM模型識別率提升了5％；在Yale人臉庫上的實驗結果表明，HM