人臉識別的若干方法研究.pdf

1、本文分四個階段總結(jié)和比較了文獻中人臉識別各個階段的主要研究成果。人臉識別技術(shù)在最近幾十年，有了很好的發(fā)展，但是在識別算法的普遍性問題，大數(shù)據(jù)人臉識別，識別的時間、準確率等方面還有很大的改進空間。本文將針對這些問題進行探究，主要研究內(nèi)容如下:
　　首先，基于主成分分析(PCA)的人臉識別是人臉識別的主流方法之一，首先對訓練數(shù)據(jù)矩陣進行降維，生成特征臉，再將測試數(shù)據(jù)矩陣投影到特征臉空間得到相應的線性表示系數(shù)，從而進行分類識別。但是主成

2、分分析人臉識別不具有普遍適用性，本文分別用了LFW、ORL、XM2VTS三種數(shù)據(jù)庫進行了實驗，由實驗結(jié)果分析可知，用主成分分析算法對不同的數(shù)據(jù)庫進行人臉識別時，正確率會有很大的變化。對LFW人臉數(shù)據(jù)庫進行的識別實驗準確率較好，而在ORL、XM2VTS兩種人臉數(shù)據(jù)庫上進行實驗得到的準確率相對較差，比較LFW人臉數(shù)據(jù)庫的準確率而言準確率相差非常大。支持向量機(SVM)是模式分類的一種算法，可以用于圖像識別，所以文章中用支持向量機算法在ORL

3、、IFD兩種人臉數(shù)據(jù)庫上進行了對比實驗。
　　其次，將主成分分析算法與支持向量機算法結(jié)合，先基于主成分分析進行人臉圖像特征提取和選擇，再將所提取的人臉特征向量進行支持向量機分類器的訓練，最后進行人臉識別，這種方法顯著提高了ORL人臉數(shù)據(jù)庫的識別率。
　　最后，深度學習方法應用于圖像識別，解決了圖像識別中數(shù)據(jù)量過大、分類類別過多、識別率較低等問題，特別是卷積神經(jīng)網(wǎng)絡，在人臉識別領域得到了很好的應用。文章中首先介紹了受限玻爾茲曼