论文部分内容阅读
人脸识别是计算机模式识别领域中一个富有挑战性的课题，有着重要的理论研究价值和应用价值。本文将软计算方法中的粗糙集理论和模糊神经网络与代数特征抽取相结合对人脸识别进行研究，主要内容如下：
1.研究了基于PCA和LDA的人脸识别方法，在ORL人脸库上的实验结果表明LDA方法比PCA方法抽取的特征在最小距离分类器上的识别率要高。
2.研究了基于粗糙集理论的人脸识别方法，用基于粗糙集近似约简误差的属性约简算法对Fisherface进行特征选择，使Fisherface的维数得到进一步压缩，在Iris数据和ORL人脸库上的实验结果表明了该方法的有效性。
3.研究了基于模糊神经网络的人脸识别方法，分析和详细阐述了两种模糊神经网络——后件为实数的模糊神经网络和补偿模糊神经网络，将这两种模糊神经网络应用到人脸识别上，在ORL人脸库上的实验结果表明这两种方法可有效提高人脸识别率。
4.提出了人脸识别的一种新方法，该方法克服了Roman W.等(文献[13])近期提出的特征抽取方法中缺乏鉴别信息的缺点，在特征抽取阶段利用Fisherface引入鉴别信息，再利用基于粗糙集近似约简误差的属性约简算法对Fisherface进行特征选择，构成新的特征空间。最后在新的特征空间中设计模糊神经网络，这样进一步提高了人脸识别率。在ORL人脸库上的实验结果及其分析，表明了该方法在人脸识别上具有良好的性能。