可見光-近紅外人臉識別方法的研究與實現(xiàn).pdf

1、人臉識別技術在計算機視覺和模式識別領域受到了越來越多的重視，逐漸成為了一個熱門話題?，F(xiàn)在，大多數(shù)的人臉圖像是在可見光的條件下拍攝的，而在可見光環(huán)境中，光照條件是多變而且復雜的。那么人臉識別的性能就受到了環(huán)境光照變化的影響，因此克服光照變化的影響成為了人臉識別領域的一個重要問題。由于近紅外光成像對光照變化的魯棒性，使得近紅外光成像技術在一定程度上解決了這個問題。在近紅外人臉識別應用中要求注冊和檢測的人臉圖像都是在近紅外光照的條件下拍攝的，

2、而實際應用中大量的人臉圖像采用可見光的條件拍攝，例如身份證照片等等。那么實現(xiàn)可見光人臉圖像和近紅外關人臉圖像的交叉注冊和驗證便成為了一個問題。因為成像的方式不同，那么同一個人的可見光圖像和近紅外圖像存在很多表觀上的差異。但是從人類認知的角度講，它們應該被識別為同一個人，這樣就意味著同一個人的可見光圖像和近紅外圖像存在著某種關聯(lián)。本文將從兩個方面出發(fā)，介紹提高可見光和近紅外人臉識別算法的性能。
　　本文主要有兩個關鍵點:
　　

3、1.特征融合方法。在閱讀了大量文獻，做了大量相關實驗后發(fā)現(xiàn)有三種特征在可見光/近紅外人臉識別方面有較好的性能，即SIFT特征、LBP特征和HOG特征。特征融合方法分為平行性和連續(xù)性特征融合，我們主要使用了帶權值的連續(xù)性特征融合算法將三種局部特征融合形成一個新的特征表示。根據(jù)實驗驗證，可以得出結(jié)論，使用特征融合算法將多個特征融合，其識別性能比單一特征的識別性能高。
　　2.基于ELM的多任務聚類算法。極限學習機（Extreme Le

4、arning Machine）是一種簡單易用、有效的單隱層前饋神經(jīng)網(wǎng)絡SLFNs學習算法。多任務學習算法（Multitask Learning）研究是通過同時學習多個任務的機器學習算法。通過使用共同學習的方式取代原先常用的獨立學習思路。通過利用多個任務間的關聯(lián)性，挖掘多個任務所蘊含的共性，而避免訓練數(shù)據(jù)少而引起的欠擬合從而提高算法泛化性能。本文提出的算法是基于ELM映射的多任務學習，首先將原始數(shù)據(jù)通過ELM映射到低維空間，然后使用多任務