人臉特征抽取與分類(lèi)器設(shè)計(jì)若干問(wèn)題的研究.pdf

1、特征抽取以及分類(lèi)器的設(shè)計(jì)是模式識(shí)別系統(tǒng)的兩個(gè)重要組成部分，在人臉識(shí)別中也不例外。將現(xiàn)有的各種特征抽取理論與變換方法進(jìn)行融合，是實(shí)現(xiàn)人臉特征最優(yōu)抽取的重要研究方向，而將人工神經(jīng)網(wǎng)絡(luò)運(yùn)用于人臉特征分類(lèi)，則是實(shí)現(xiàn)分類(lèi)器設(shè)計(jì)的有效途徑之一。本文就基于多種方法融合的特征抽取理論以及人工神經(jīng)網(wǎng)絡(luò)分類(lèi)器進(jìn)行深入研究，所提出的特征抽取方法和分類(lèi)器在人臉識(shí)別方面得到了較成功的應(yīng)用。 小波變換以其良好的時(shí)域和頻域局部化能力，在數(shù)字圖像特征提取與壓縮

2、領(lǐng)域得到了廣泛的應(yīng)用，而核主成分分析（KPCA）方法能將原特征空間通過(guò)某種形式的非線(xiàn)性映射變換到一個(gè)高維空間，并借助于“核技巧”在新的空間中實(shí)現(xiàn)圖像主成分的有效抽取。本文考慮到人臉的形狀和紋理特征分布情況，提出了一種融合分塊小波變換與KPCA方法的人臉特征抽取方法，其基本理論是在KPCA特征抽取之前，首先對(duì)人臉圖像進(jìn)行分塊小波變換，提取人臉的局部小波特征，然后對(duì)該特征進(jìn)行KPCA特征抽取與融合，獲得人臉最終鑒別特征。在ORL和Yale標(biāo)

3、準(zhǔn)人臉圖像庫(kù)的實(shí)驗(yàn)仿真及對(duì)比結(jié)果表明，該方法不僅在識(shí)別性能和分類(lèi)速度上明顯高于傳統(tǒng)的PCA方法及融合小波特征的KPCA方法，而且對(duì)于光照條件、人臉姿態(tài)和表情變化均具有良好的魯棒性。 鑒于圖像矩陣奇異值對(duì)于圖像特征強(qiáng)大的描述能力，該文對(duì)傳統(tǒng)的奇異值分解（SVD）方法進(jìn)行改進(jìn)，提出了充分保證圖像本質(zhì)信息的奇異值分解閾值壓縮降維方法。在此基礎(chǔ)上將基于頻率域方法的特征抽取理論進(jìn)行推廣，將其與分塊小波變換以及分塊離散余弦變換進(jìn)行組合，提出

4、了融合頻率域變換與奇異值閾值壓縮的人臉特征抽取理論。ORL和NUST603兩個(gè)人臉庫(kù)上的實(shí)驗(yàn)結(jié)果表明，這兩種組合方法不僅能對(duì)人臉特征進(jìn)行進(jìn)一步壓縮和提取，而且抽取到的特征更能反映人臉的本質(zhì)特性，這些優(yōu)點(diǎn)使得這兩種組合方法能同時(shí)獲得較高的分類(lèi)速度和效果。 人臉特征抽取除了有效的壓縮降維，還必須抽取出不受人臉旋轉(zhuǎn)、姿態(tài)變換以及光照等外界因素影響的人臉面部不變特征。該文對(duì)人臉面部幾何不變特征進(jìn)行研究，提出了基于自適應(yīng)邊緣輪廓網(wǎng)格矢量編

5、碼的人臉不變特征抽取理論。該算法的基本思想是在對(duì)人臉進(jìn)行歸一化和器官定位的基礎(chǔ)上，利用自適應(yīng)方向鏈碼描述人臉邊緣輪廓不變幾何特征。其主要優(yōu)點(diǎn)是：可以減少特征矩陣的維數(shù)，對(duì)噪聲、灰度變換、光照不均勻等降質(zhì)人臉圖像的分類(lèi)識(shí)別具有較強(qiáng)的適應(yīng)力，能夠解決因圖像旋轉(zhuǎn)帶來(lái)的識(shí)別率下降問(wèn)題。另外本文還提出了基于不變小波矩描述子（WMD）特征矩陣與2DPCA投影理論相結(jié)合的人臉特征抽取方法，即首先提取描述人臉本質(zhì)特征的不變小波矩描述子特征矩陣，然后利用

6、該矩陣構(gòu)造圖像總體散布矩陣，并取它的d個(gè)最大本征值所對(duì)應(yīng)的標(biāo)準(zhǔn)正交的本征向量作為投影軸，對(duì)特征矩陣進(jìn)行投影壓縮。ORL和NUST603兩個(gè)人臉庫(kù)上的實(shí)驗(yàn)結(jié)果表明，該方法不僅在識(shí)別性能上優(yōu)于單一的WMD方法、PCA方法以及2DPCA方法，而且對(duì)人臉背景、光照條件的變化也具有很好的魯棒性。 傳統(tǒng)的模式識(shí)別系統(tǒng)通常僅使用樣本之間的距離或相關(guān)性分類(lèi)器來(lái)進(jìn)行分類(lèi)，這種系統(tǒng)對(duì)于類(lèi)別數(shù)較大、輸入樣本帶噪聲的問(wèn)題很難獲得好的分類(lèi)效果。自適應(yīng)共振網(wǎng)

7、絡(luò)ART網(wǎng)絡(luò)結(jié)構(gòu)能解決“穩(wěn)定性一可塑性”二難問(wèn)題，它具有對(duì)已學(xué)習(xí)過(guò)的對(duì)象進(jìn)行穩(wěn)定快速的識(shí)別能力，同時(shí)又能迅速適應(yīng)未學(xué)習(xí)過(guò)的新對(duì)象，因而可以利用其競(jìng)爭(zhēng)學(xué)習(xí)和穩(wěn)定性機(jī)制進(jìn)行有效的特征分類(lèi)識(shí)別．本文結(jié)合傳統(tǒng)ART網(wǎng)絡(luò)的優(yōu)點(diǎn)，引入最小余弦?jiàn)A角和模式相似度分別作為輸入模式計(jì)算準(zhǔn)則和檢驗(yàn)識(shí)別準(zhǔn)則，建立了一個(gè)學(xué)習(xí)算法簡(jiǎn)單化，適合高維特征值圖像目標(biāo)分類(lèi)的ART網(wǎng)絡(luò)，并設(shè)計(jì)了一個(gè)基于該網(wǎng)絡(luò)模型的模式分類(lèi)器．通過(guò)對(duì)ORL人臉庫(kù)和Yale人臉庫(kù)的圖像樣本實(shí)驗(yàn)