论文部分内容阅读
人脸识别的研究开始于上世纪70年代，随着科学技术及计算机技术的飞速发展，已经成功应用到很多领域。但其还存在着一些明显的缺陷，例如在人脸表情、姿态、光照等条件不理想时，算法性能将会大大降低，最终导致识别效果不好。因此，如何降低这些因素对人脸识别算法的影响是一个具有挑战性的研究课题。Chen等人提出的模块二维主成分分析（M2DPCA）算法能够有效地抽取到人脸的局部特征，但M2DPCA算法在构造总体散布矩阵时，使用的是所有子矩阵的均值，并没有考虑到人脸类内差异。由此，本文提出一种改进的CA-M2DPCA算法，该算法直接基于二维子矩阵，利用每一子块的类内平均值构造总体散布矩阵，增加了类间识别距离，在一定程度上，有效地减少了类内距离，提高了识别率。用MATLAB在Yale人脸数据库上进行了多组实验仿真，结果表明该算法优于2DPCA和普通的模块2DPCA算法。在影响人脸识别率的因素中，尺寸和光照变化的影响相对来说比较容易克服，而表情变化导致的识别率性能不好则是一个难以克服的问题。鉴于此，本文提出了基于小波变换和CA-M2DPCA的人脸识别算法，该算法融合了小波变换和CA-M2DPCA算法的优点，具体如下：第一，引入了小波变换，利用了小波变换对表情变化不敏感的特性；第二，结合CA-M2DPCA算法做进一步提取特征；第三，求出四个子图的识别结果，按照每个子图识别能力的大小，分别赋予不同的权值，得到最终的识别结果。用MATLAB软件在ORL人脸数据库上进行了多组仿真实验，验证了本文算法可以获得更高的识别率。