CombinedLocalFeaturesSelectionforFaceRecognitionBasedonNaiveBayesianClassification翻译解析.doc

结合局部特征选择基于朴素贝叶斯分类的人脸识别 Wael Ouarda ，Hanene Trichili， Adel M. Alimi ，Basel Solaiman ，Research Groups on Intelligent Machines, National School of Engineering of Sf ax, Tunisia ITI Department Telecom Bretagne, Brest, France 摘要：人脸识别在文献中是一种非常流行的生物学解决办法。已有一些方案被提出用于满足个人验证或识别的需要。现有三种类型的人脸识别的方法：局部，全局和混合的方法。在本文中，我们提出一种基于结合了像遗传算法，Gramdt Shmidt算法，mRmR特征选择算法和朴素贝叶斯分类器的特征选择的人脸识别的方法。我们提出的方案将和一些基于全局特征脸的人脸识别系统进行比较。在本文中我们给出了一项两者在识别率和识别时间方面比较的结果的研究。我们的基于朴素贝叶斯分类器的人脸识别系统，在ORL人脸数据库中的测试结果有78.5%的识别率和相对于基于全局人脸识别系统更快的执行时间。 关键词：人脸识别；几何距离；特征提取；贝叶斯分类器；识别率；执行时间 Ⅰ. 引言 生物识别技术是一种产生于人类关于安全访问禁地的思想演变的贡献。生物识别的方法纷繁复杂，各有不同。人脸识别在成本和精度方面是现有的生物识别方法中位列前茅的一种重要的技术。人脸识别基于四个主要的模块:预处理，特征抽取，学习和分类。一些方法已经实现了人脸特征的检测和抽取。下面我们展示了一种遗传算法的人脸生物识别系统。 输入图像 预处理 特征提取 特征选择 特征分类 用户验证 预处理：这是用于提升待验证的2D人物形象的特征。在人脸检测中十分有用。有几种类型的过滤器用于增强的颜色,分辨率和最小化iIIwnination和背景的复杂性。 人脸检测：人脸检测的方法可以分为四等。有知识基础方法包括使用比如规则1“眼睛是对称的规则2”眼睛区域比鼻子变暗区”等这些规则来定义的脸上地区的方法。这些方法的主要缺点是难以定义一组规则使人脸检测系统局部化人脸。 二等的人脸检测的方法是基于模板匹配。我们在这种技术下定义一个函数，这个函数定义了一个包含了像边缘眉毛、眼睛、鼻子和嘴巴等人脸每个部分的人脸模块。这种方法受到人脸姿势变化和咬合的限制。我们也可以使用一个函数,定义一个人脸模板，像特征脸和费舍尔脸这种基于外观的方法。后一种方法是基于人脸特征不变的方法的。 特征提取与选择：特征提取与选择是人脸识别依赖的两个步骤。相关特征的选取总是遵循每幅人脸图像特征初采特性。特征提取是为了代表每个人不同于他人的个人面部图像特点。 分类：分类的目的就是检查每个输入图像在哪个合适的身份类别里。 在已有文献中，有三族的面部识别的方法：全局法，局部法和混合法。软生物特征是最新的研究领域 [1] [4]。软生物特征的积极性在于运用了软生物特征的简单性和效率性的特点，比如人脸，身体和步态等的几何特征。所有的这些特性都是从传统的人脸识别中推导出来的[3]。在本文中，我们要展示局部法是基于几何距离的。其能帮助人脸识别像全局法那样更具有竞争的性能。局部法比全局法更容易从软生物特征中提取出生物特征。事实上软生物特征定义为语义描述上我们在现实生活中区分彼此的特征[4]。在我们的语义描述中，我们的关注点集中在比如肤色，眼睛的形状，头的形状，嘴的形状，下巴的形状，年龄，性别和民族等等。 在本文中我们列举了一些基于全局特征的人脸识别的实验结果。然后，我们详述了我们建议的基于几何特征的方法。其将三种特征选取的方法和朴素贝叶斯分类器相结合。这种方法的目的是通过应用贝叶斯定理的框架融合两个生物系统集成软生物特征来增强系统的性能。主系统由本文构建，二级系统基于用户的软生物特征比如性别和民族。一项经过对比的研究已表明了一些局部法在人脸识别中的优势。 Ⅱ. 相关研究 人脸识别系统在多个应用程序中比使用特别是在移动手机的应用程序中用于人脸的验证。这张表格总结了仅在ORL人脸库中测试过的人脸识别的相关研究。 所有的研究在列表中显示,我使用不同分类的基于全局特征的一些基于主成分空间降维分析和线性辨别分析的技术方法。表中所示的识别率是非常重要的。虽然,我们花了更多的时间来评估每个系统性能，但是有两方面原因不容忽视：分类器的复杂性使用起来像神经网络一样，支持向量机和全局特征抽取是基于PCA和LDA。在本文中 ，我们提出了一种快速的人脸识别的系统，其是基于朴素贝叶斯分类并且