线性特征提取与其在人脸识别中的应用.pdfVIP

种高精度、·易于使用、稳定性高、难仿冒、性价比高的生物特征识别技术，具有 极其广阔的市场应用前景。u3譬如： ， 1、基于视频的实时人脸识别系统，使用视频图像的比对，已经能够较好地 满足安全、公安部门的需求。人脸识别系统所具备的高速自动识别能力很大程度 上可以将公安、安全部门从以往的“人海战术中解脱出来，大大提升了整个国 家、社会的安全防范水平，从而达到威慑犯罪、惩治罪犯、维护社会稳定、保障 国家安全的目的。 2、应用人脸识别技术可实现对数字化监控系统的智能化升级。基于人脸识 别的数字监控系统作为安防行业的高中端产品，具有十分广泛的应用前景。 3、人脸识别技术作为一种更为安全可靠的身份认证手段，可以考虑将其与 网上银行现有安全机制进行融合以解决目前网上银行安全机制存在的诸多问题。 在电子商务高速发展的行业背景下，解决这一问题无疑具有十分重大的经济及社 会意义。 4、从计算机日益普及的趋势看，自然化的人机接口是未来计算机发展的重 要方向之一。人机交互方式，经过第一代的单一文本形式到第二代的图形用户界 面的发展，正在从以技术为本，向以人为本的方向发展。人们提出了智能人机接 口的概念，希望计算机具有或部分具有人的某些智能，人同计算机的交流变得像 人与人之间的交流一样轻松自如。智能接口系统要解决的首要问题是计算机如何 感知使用者的存在，这是智能人机交互的前提。脸部是人类携带信息最丰富的部 位，是人类的重要特征。从认知角度讲，人们在视觉通道层次上感知和识别人的 首要信息载体就是人脸。使计算机具有感知人的视觉功能，这项技术就是人脸识 别。 5、在涉及到信息安全领域及其它领域，人脸识别技术同样大有用武之地。 总之，人脸识别近些年已成为计算机视觉和模式识别等领域中的热门课题， 它有着广阔的应用前景，特征提取是人脸识别的一个重要过程，是人脸识别中的 核心步骤，是人脸识别技术的关键。人脸特征提取的方法不同，那么识别率、机 器的存储量、机器的运算时间等也不同，也就是说特征提取在人脸识别系统中占 据很重要的位置。不同识别方法有着对应不同特征提取的策略。其中采用最优鉴 别平面或多类Fisher线性判别分析方法可以大幅降低原来模式空间的维数，并 使投影后样本向量类间散布最大和类内散布最小。然而， 当人脸的样本数小于 人脸样本向量的维数时，这时类内散布矩阵是奇异的，变换矩阵不能直接得到， 因此线性判别分析过程失效。但一般情况下人脸样本向量的维数都比人脸的训练 样本数高出很多，因此，直接使用判别分析会使类内散布矩阵不可逆。例如，对 于本文中ORL数据库，其人脸图像的分辨率为112×92，将其转换为向量表示形 式后就高达10304维。显然通常的有效训练样本数总是小于这个数目的。这样， 在正常情况下人脸识别问题总是一个小样本问题，故其类内散布矩阵总为奇异阵 而使求解变得很困难。乜1在这种情况下，相应的解决方法可以用类内散布矩阵的 广义逆来代替逆矩阵，或采用对奇异的类内散布矩阵加入扰动，使得它变为非奇 异矩阵，从而使用正常的最佳鉴别向量求解方法。只不过此时得到的不是最佳鉴 别向量，而是次优的鉴别向量。为了得到真正最佳的鉴别向量，也就是要保证训 练样本的类内散布矩阵总为非奇异的。本文采用了一种改进的基于Fisher准则 的LDA方法来解决这个问题，针对小样本问题该方法很好的解决了类内散布矩阵 奇异的问题，而且实验证明该方法在正确识别率方面也非常高。除了介绍LDA算 法在人脸识别系统的应用，本文还介绍了PCA方法的应用情况，并通过实验对两 种方法在人脸识别系统中的应用情况做了比较分析。 1．2人脸识别技术的研究现状 当前很多国家展开了有关人脸识别的研究，主要有美国、欧洲国家、日本等， lab，AIlab，C姗的Hu腿n．Computer 著名的研究机构有美国MIT的Media InterfaceInstitute，Microsoft of Research，英国的DepartmentEngineering in of UniversityC锄bridge等。综合有关文献，目前的方法主要集中在模板 匹配、示例学习、神经网络和基于隐马尔可夫模型的方法等几个方面口1。国内