论文部分内容阅读
在基于生物特征的身份鉴别中，人脸识别研究起步较早，技术也较为成熟，被广泛应用于计算机智能识别领域。人脸特征提取与表达是人脸识别中的关键一环，人脸识别的效果好与坏和人脸特征提取与表达密切相关。一方面，不同的特征表达方法和特征向量的维数对识别率都会产生影响,在通常情况下，采用同样的特征表达方法，如果特征向量的维数越高，那么其识别率也将越高;另一方面，从人脸图像中提取的特征向量的维数大小也将直接影响着计算的复杂度，提取的特征向量的维数越高，识别算法运行的时间也就越长。本文在重点分析基于局部模式描述子的人脸特征表达与识别方法的基础上，探讨了利用Fisher face方法对特征向量进行降维的同时提高其识别效果，从而满足人脸识别系统的实际需要。论文的主要工作体现在以下两个方面：（1）深入研究了基于局部二值模式（Local Binary Pattern，LBP)、局部三值模式（local ternary pattern，LTP)、主成分分析（Principal ComponentAnalysis,PCA）、Fisher线性判别分析(Fisher Linear Discriminant Analysis，FLD)的人脸特征提取方法。与全局模式描述子相比较，人脸识别采用局部模式的人脸特征表达效果更加理想，大大提高了人脸识别的识别率；与局部二值模式描述子相比较，基于局部三值模式的描述子抗噪声的能力更强。（2）考虑到Fisher face方法对特征向量来说，不仅能够有效地对提取的特征向量进行降维，还能够在线性判别方面取得较好的效果，提出了一种结合Fisher face方法和局部模式描述子的人脸特征提取方法。通过引入Fisher face方法对采用局部模式描述子提取的人脸特征先进行降维，再对降维后的特征向量进行判别分析，从而在提高人脸识别的速度的同时提高判别效率。