人脸识别学习资料.docVIP

摘要：本文将RBF神经网络作为识别策略，并与最近邻法做了识别效果的比较。同时通过增加一定的冗余样本使用于学习的样本数增加也使识别正确率有2－4％的提高。本文的方法是用较为流行的KL分解（PCA）方法降维，把降维后特征输入网络进行训练和识别。事实证明神经网络方法有一定的可行性，在一定程度上提高了识别率。 1．引言 近些年，用人脸信息来识别一个个体，是计算机视觉和模式识别领域中一个热点。人类在日常生活中，可以毫不费力的在任意的场景中发现一张人脸并识别它，但科学界至今也并不了解人类的视觉系统和大脑是如何实现这个任务的。将这样的一个任务用计算机实现，也是较为困难的问题。尽管如此，这个问题仍然因为它的价值和效益而吸引了诸多的研究者，并在各方面取得了一定的成果。 从目前的研究成果看，人脸识别和检测可以分为两大类方法：基于局部特征的方法和全局方法。基于局部特征的方法依赖于某些脸部基准点象眼睛，鼻子，嘴等的识别。这些点的定位将决定和用来计算点之间的几何关系，并可用来分析周围的局部区域。这样的系统对图像的位置变化有鲁棒性,但各个局部特征点的定位则是这种技术中最为困难的问题。全局方法对图像的处理是同时的，不需考虑定位个别点。脸部作为一个实体进行识别，不需要明确的隔离脸部不同的区域。全局技术用统计分析，神经网络和变换方法。它们通常需要大量的训练样本。全局方法的优点是它们将脸看成一个整体，不用因为