论文部分内容阅读
伴随着信息产业的高速发展，基于生物特征的识别技术受到了研究者广泛的关注，其中基于人脸特征的识别技术与基于指纹、虹膜等特征识别技术相比，更符合人类认知的习惯，且在样本的采集和识别过程中均采用非接触的方式，具有直接友好等特点，但光照变化、表情、姿态和遮挡一直是影响人脸正确识别的重要因素。为解决光照问题，通过对受到光照影响的图像进行研究，发现一幅人脸图像在受到光照影响前后，同一点对的像素差是稳定的，因此本文通过对多小波提取的低频成分建立稳定的像素差点对作为特征，提出了基于多小波和灰度排列对(GAP)的人脸识别方法；又由于稀疏表示(SparseRepresentation-based Classifier, SRC)是将一幅图像向训练样本集进行投影，由多幅同类图像进行表示，可以很好地解决光照、表情、遮挡问题，本文将多小波提取的低频成分特征形成冗余字典，提出了基于多小波和稀疏表示的人脸识别。本文主要研究工作如下：(1)对数域图像增强方法。根据变化光照图像特点采用对数归一化方法对图像进行了预处理。(2)多小波初级特征提取。通过研究人脸多小波各个频带特征，发现多小波低频特征能够较好的表示人脸图像，而高频信息往往包含噪声，因此提取其低频特征作为人脸初级特征。(3)提出基于多小波和GAP的人脸识别。首先计算出每一类人脸图像多小波低频特征中稳定的像素差点对，建立背景模版，通过计算测试样本多小波低频特征中稳定的像素差点对与模板的匹配度进行分类。(4)提出基于多小波和稀疏表示的人脸识别。将多小波提取的低频子带信息形成冗余字典，并用K奇异值分解(K-SVD)字典学习算法对字典进行优化，通过计算测试样本在冗余字典上的稀疏表示对测试样本进行分类。本文选取了光照变化明显的扩展的Yale B和CMU PIE人脸库采用基于多小波和GAP的人脸识别算法进行了实验；针对多小波和稀疏表示识别方法，选取了同时具有光照、姿态、表情变化和遮挡的Yale和AR人脸库进行了实验。实验结果表明，本文提出的两种算法可以有效的识别人脸，并具有较强的鲁棒性。