基于2DPAC和FLDA的人脸识别研究

摘要

随着信息科学技术的发展，人体生物特征识别技术如指纹识别、虹膜识别、基因识别、视网膜识别在安全、军事、民事和经济等领域有了迅速发展。与上述识别技术方法相比，人脸识别技术具有方便、无需用户过多参与、对用户无干扰、不易被造假等优点，因此，基于2DPCA+FLDA的人脸识别的研究具有非常重要的意义。
　　 本文构建了一个静态人脸识别系统，对人脸图像的预处理、特征提取、特征分类器的设计等相关问题进行了深入研究。
　　 首先，本文对ORL人脸库中的人脸图像进行预处理，运用直方图均衡化进行归一化处理，用中值滤波进行图像平滑处理，用同态滤波进行图像增强处理，并给出预处理后的图像。然后，对预处理后的图像做特征选择与提取，对几种特征提取方法如主成分分析(PCA)、二维主成分分析(2DPCA)和Fisher线性鉴别分析方法(FLDA)做了分析与研究，给出了人脸的主成分脸和重建后的人脸，二维主成分分析(2DPCA)方法不需要将人脸图像转换为一维矩阵而可以直接对二维图像进行处理，比主成分分析(PCA)方法的训练时间少，因此选择2DPCA方法，同时由于FLDA方法侧重于分类，将几种方法进行对比实验后，本文给出了2DPCA与FLDA相融合的方法，该方法不仅具有2DPCA计算量小、重建效果好的优点，而且也具有FLDA可分性好，易于特征选择的优点。最后，本文在特征分类器设计上用最近邻分类器与支持向量机分类器构成一个串联的二级融合分类器，将提取到的特征分量送入二级融合分类器，先用最近邻分类器粗分，再用支持向量机分类器细分，将粗分和细分的结果采用加权与运算作为最终分类识别结果，二级分类器经过了两个分类器的识别，较单一分类器的分类识别效果更好更准确。本文在ORL人脸库上进行实验，并对实验结果进行分析。
　　 实验表明，采用基于2DPCA+FLDA的特征提取方法取得了较好的识别率，为人脸识别的研究提供了参考价值。