基于單訓(xùn)練樣本的人臉識(shí)別算法研究.pdf

1、計(jì)算機(jī)自動(dòng)人臉識(shí)別是模式識(shí)別與圖像處理領(lǐng)域的難點(diǎn)之一。隨著科學(xué)技術(shù)快速的發(fā)展，人們對(duì)人臉識(shí)別技術(shù)的需求也在不斷提高。在一些特殊的應(yīng)用場(chǎng)景，人臉識(shí)別系統(tǒng)往往只能獲取每類（人）單張訓(xùn)練圖像，因此，基于單訓(xùn)練樣本人臉識(shí)別的研究具有較大的現(xiàn)實(shí)意義。對(duì)基于單訓(xùn)練樣本的人臉識(shí)別問(wèn)題進(jìn)行研究，不僅將對(duì)人臉識(shí)別領(lǐng)域帶來(lái)巨大飛躍，也將對(duì)諸如信息學(xué)、人工智能、心理學(xué)等其他相關(guān)領(lǐng)域產(chǎn)生深遠(yuǎn)的影響，研究基于單訓(xùn)練樣本人臉識(shí)別具有十分重要的理論意義。
　　

2、本文介紹了基于單訓(xùn)練樣本的人臉識(shí)別技術(shù)的發(fā)展趨勢(shì)、系統(tǒng)流程、研究現(xiàn)狀以及常見(jiàn)方法。重點(diǎn)探討了解決單訓(xùn)練樣本人臉識(shí)別的一些主流方法，及其存在的一些問(wèn)題。并就當(dāng)前人臉識(shí)別算法所面臨的一些亟需解決的問(wèn)題，提出了相應(yīng)的解決方案，在改善人臉識(shí)別算法的魯棒性與識(shí)別效率兩方面進(jìn)行了探討，有效地提高了單樣本條件下人臉識(shí)別系統(tǒng)的性能。
　　本文的主要內(nèi)容包括以下幾個(gè)方面:
　　(1)針對(duì)人臉不同區(qū)域所具有重要性的不同，對(duì)此，提出了一種基于Sp

3、PCA算法的人臉不同區(qū)域自適應(yīng)權(quán)值計(jì)算的方法。該算法使用LBP算法對(duì)人臉進(jìn)行編碼，以每個(gè)人臉區(qū)域的圖像信息熵作為該部位的權(quán)重，并將所得權(quán)重與SpPCA算法相結(jié)合，進(jìn)行最終的人臉?lè)诸?。?shí)驗(yàn)結(jié)果表明，與一些經(jīng)典的人臉識(shí)別方法相比，提出的方法可以對(duì)光照的變化更加具有適應(yīng)性，有效的提高了算法的識(shí)別率。
　　(2)受神經(jīng)生物學(xué)研究結(jié)果的啟發(fā)，提出了一種全局特征與局部特征集成的人臉識(shí)別算法。通過(guò)圖像變換的方法增加一系列虛擬樣本，對(duì)每類人臉圖像

4、數(shù)據(jù)的規(guī)模進(jìn)行擴(kuò)充。提出了一種基于Gabor小波與PCA降維的人臉圖像全局特征提取算法，并利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行特征集成。與傳統(tǒng)的單樣本人臉識(shí)別方法相比較，改進(jìn)后的方法可以達(dá)到更高的識(shí)別效果。
　　(3)為提高人臉識(shí)別的速度并同時(shí)能夠保證人臉識(shí)別的正確率，研究了對(duì)人臉數(shù)據(jù)庫(kù)進(jìn)行離線預(yù)處理方法。針對(duì)通常的線性人臉比對(duì)的方法時(shí)間復(fù)雜度較高的問(wèn)題，提出了一種采用離線人臉動(dòng)態(tài)聚類、訓(xùn)練數(shù)據(jù)預(yù)先計(jì)算相似度來(lái)生成人臉?biāo)饕姆椒ǎ纳屏巳四樧R(shí)別系