基于软计算的人脸识别理论研究与应用

《基于软计算的人脸识别理论研究与应用》由会员分享，可在线阅读，更多相关《基于软计算的人脸识别理论研究与应用（58页珍藏版）》请在金锄头文库上搜索。

1、摘 要 - I - 基于软计算的人脸识别理论研究与应用 摘 要 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

2、 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

3、样进一步提高了人脸识别率。在 O R L 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。 关键词：人脸识别，特征抽取，特征选择，粗糙集属性约简，模糊神经网络 ABSTRACT - II - Research and Application on Face Recognition Based on Soft Computing Abstract Face recognition is a challenging subject in the field of pattern recognition which has important value in both theo

4、ry and application. New methods of face recognition are proposed, which combine rough sets, fuzzy neural networks and algebraic features. The main contributions are summarized as follows: 1. Methods of face recognition based on PCA and LDA are presented. Numerical experiments results conducted on th

5、e ORL database show that face recognition based on LDA has higher recognition ratio than face recognition based on PCA. 2. Methods of face recognition based on rough sets are presented. Features are selected from Fisherface by using reduction of attributes based on approximation theory of rough sets

6、, thus the dimensionality of Fisherface is further reduced. Numerical experiments results obtained on the ORL database show the effectiveness of the proposed method. 3. Face recognition based on fuzzy neural networks is presented. Compensatory Neurofuzzy Systems and Fuzzy neural network, in which th

7、e consequent is a real number are analyzed and applied in face recognition respectively. Numerical experiments results show that recognition ratio can be improved by the two fuzzy neural networks. 4. A new method of face recognition is proposed, which overcomes the shortcoming of the feature selecti

8、on method which was proposed by Roman W. in Ref. 13 recently, which has no discriminant information. First, face feature is obtained by Fisherface, then the dimensionality is further reduced by using attribute reduction algorithm in the theory of rough set, finally fuzzy neural network is designed i

9、n the reduced feature space. Experiments results indicate that the proposed method has good performance. Key words: face recognition, algebraic features extraction, feature selection, reduction of attributes, Fuzzy neural networks 论 文 独 创 性 声 明 本人声明所呈交的学位论文是我本人在导师指导下进行的研究工作及取得的研究成果。尽我所知，除了文中特别加以标注和致

10、谢的地方外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得江苏科技大学或其它教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示谢意。 学位论文作者签名： 日 期： 学 位 论 文 使 用 授 权 声 明 江苏科技大学有权保存本人所送交的学位论文的复印件和电子文稿， 可以将学位论文的全部或部分上网公布，有权向国家有关部门或机构送交并授权其保存、上网公布本学位论文的复印件或电子文稿。本人电子文稿的内容和纸质论文的内容一致。除在保密期内的保密论文外，允许论文被查阅和借阅。 研究生签名： 导师签名： 日 期： 日 期： 第一章 绪

11、论 - 1 - 第一章 绪论 1 . 1 问题的提出 人脸识别是计算机模式识别领域的一个前沿课题，有着十分广泛的应用前景。例如：身份证识别、护照识别、信用卡识别、驾驶证识别、嫌疑犯识别、安全系统的身份验证、基于内容的图像数据库检索等。近年来，人脸识别技术研究非常活跃，基于KL 变换的特征脸方法、以奇异值特征为代表的代数特征方法都得到了新的发展。人工神经网络、小波变换、遗传算法等新思想、新方法在人脸识别研究中都得到了很广泛的应用。1 1 . 2 国内外的研究现状 计算机人脸识别( Face Recognition) 技术就是利用计算机分析人脸图像，进而从中提取出有效的识别信息，用来辨认身份的一门

12、技术。从广义上讲，其研究内容包括以下 5 个方面2- 4： ? 人脸检测( Face Detection) : 如何从各种不同的背景中检测出人脸的存在并确定其位置。这一任务主要受光照、噪声、头部倾斜度以及各种遮挡的影响。 ? 人脸表征( Face Representation) : 确定表示检测出的人脸和数据库中的已知人脸的描述方式。通常的表示方法包括几何特征( 如：欧式距离、曲率、角度等) ，代数特征( 如：矩阵特征矢量等) ，固定特征模板，特征脸等。 ? 人脸鉴别( Face Identification) : 就是通常所说的人脸识别，将待识别的人脸和数据库中的已知人脸进行比较，得出相关信

13、息。这一过程的核心是选择适当的人脸表示方式和匹配策略。 ? 表情分析( Facial Expression Analysis) : 对待识别人脸的表情进行分析，并对其加以分类。 ? 物理分类( Physical Classification) : 对待识别人脸的物理特征进行分类，得出其年龄、性别、种族等相关信息。 本文主要介绍狭义的人脸识别方法，不涉及人脸检测、表情识别和物理分类方面。一个狭义的人脸识别系统主要包括以下三个主要技术环节：几何归一化和灰度归一化、人脸的特征提取和分类器设计。 第一章 绪论 - 2 - 几何归一化主要是指人脸的定位和校准，即检测出图像中人脸特征的准确位置，然后根据这

14、一结果将图像中的人脸校对到同一位置，只有这样才能进一步后面的操作。灰度归一化只对图像进行滤除噪声和灰度校正( 光照补偿) ，目的在于减少由于光照条件变化造成的各种影响。 人脸识别的研究己有很长的历史，早在 1 9 世纪后期， Francis Galton5就曾对此问题进行了研究，他用一组数字代表不同的人脸侧面特征来实现对人脸侧面图像的识别。一直到 2 0 世纪 9 0 年代以前，典型的人脸识别技术始终是用人脸正面或侧面的特征点之间距离量度，而且早期的人脸识别多集中于对侧影图像的研究。 总的来说，早期的人脸识别方法都需要利用操作员的某些先验知识，仍然摆脱不了人的干预。本世纪 70 年代中期，经典

15、的模式分类方法，即采用正脸图像或者侧脸图像中那些可以可计算的，比较精确的属性来识别人脸。8 0 年代，人脸识别的研究基本上处于休眠状态。20 世纪 90 年代以来，随着高速度高性能计算机的出现，人脸识别方法有了重大突破，进入了真正的机器自动识别阶段，人脸识别研究也得到了前所未有的重视。国外有很多大学在此方面取得了很大进展，他们研究设计的领域很广，其中有从感知和心理学角度探索人类识别人脸机理的，如美国 Texas at Dallas 大学的Abdi和 Toole 小组，主要研究人类感知人脸的规律，如漫画效应，性别识别与人脸识别的关系， 种族效应等; 由 Stirling 大学的 Bruce 教授

16、和 Glasgow大学的 Burton教授合作领导的小组，主要是研究人类大脑在人脸认知中的作用，并在此基础上建立了人脸认知的两个功能模型，他们对熟悉和陌生人脸的识别规律以及图像序列的人脸识别规律也进行了研究。也有从视觉机理角度进行研究的，如英国 Aberdeen大学的 Craw 小组， 主要研究人脸视觉表征方法， 他们对空间频率在人脸识别中的作用也进行了分析;荷兰 Groningen大学的 Petkov小组， 主要研究人类视觉系统的神经生理学机理并在此基础上发展了并行模式识别方法。 在国内，九十年代中后期以来，在 NSFC、863 等资助下，国内众多研究机构的研究组开始对人脸识别进行研究，主要有清华大学、中科院自动化研究所模式识别实验室、江南大学、江苏科技大学等，这些科研机构和组织在人脸检测、特征提取与识别方面进行了许多有