人脸识别是一个具有很高理论和应用价值的研究课题,如何使机器具有人的智能,使之可以像人类一样具有记忆和识别能力,一直是人脸识别研究的热点。人脸的特殊性使得人脸识别技术成为最具潜力的身份识别方式,同时由于人脸具体形态的多样性及所处环境的复杂性又给识别造成一定困难。人脸识别涉及的技术很多,其中关键的是特征提取和分类方法,本文以此为重点进行了相关的研究,主要内容如下: 预处理阶段完成对人脸样本的图像增强、几何及灰度归一化和白化处理工作,将有效地改善图像质量,降低计算复杂度,从而提高后续核心算法的收敛速度。 在特征提取环节,本文将独立分量分析(Independent Component Analysis,ICA)作为人脸的特征提取方法,同时用评价分类器性能的比例因子)γ_j作为特征选择的依据,从而使所提取的特征不仅相互独立而且分类能力强,形成各分量相互统计独立的人脸特征空间。人脸识别中,人脸图像的信息不仅存在于像素间的二阶统计特性中,更存在于像素间的高阶统计特性中。传统的基于主成分分析(Principle Component Analysis,,PCA)的人脸特征提取方法只能得到人脸图像的二阶统计信息,所提取的特征易受光照条件等因素的影响。相比之下,ICA进行人脸特征提取更有效的利用了高阶统计信息,且不易受光照条件变化的影响。因此,基于ICA的人脸识别方法其识别性能优于PCA方法。针对传统的ICA算法存在迭代次数多、收敛难的不足,本文采用FastICA作为ICA的快速算法,该算法迭代次数少,在不影响识别性能的前提下,将加快ICA基的提取速度。 在分类判别中,本文将非负矩阵分解(Non-negative Matrix Factorization)方法应用到人脸识别中,提出了基于NMF的子空间分类算法,并从算法理论和实验上进行了全面论证。该方法继承了NMF算法对数据的基于部分的加性表示特性,具有对数据良好的夹逼性,从而能使特征子空间对数据的表示更为紧凑而有效。将ORL数据库上的实验结果同其他方法比较,表明ICA/NMF相结合的方法识别率要优于传统方法。