基于粗糙集的人脸识别改进方法

摘要

由于传统的信息安全技术很难满足实际需求，而生物特征识别技术因其高效、安全、稳定等特点受到广泛关注和应用。生物特征识别技术中的人脸识别技术与其他技术相比具有稳定、非接触性和人机交互良好等特点，因此，人脸识别技术成为了生物特征识别技术领域的研究热点。人脸识别系统在实际条件下一般需要对人脸实现复杂环境下的定位、特征提取和最终的分类识别。其中人脸检测和定位是人脸识别前期的必要工作，其主要作用是从复杂背景条件中实时、高效和稳定的分割出人脸区域。
　　为了使最终分割出的肤色区域稳定，本文利用空域滤波中的中值滤波和均值滤波以及频域中的低通滤波对图像进行滤波并比较它们之中滤波效果较好的中值滤波作为滤波处理算法。滤波处理之后则需要对肤色区域分割，而肤色是人脸图像中最为重要的特点。在颜色空间中肤色特征具有很强的稳定性和聚类性。因此，本文在不同的颜色空间中分割出人脸区域，并进行比较得出肤色分割最好的颜色空间即YCbCr作为人脸肤色分割空间。在YCbCr空间中，运用肤色的两种模型椭圆肤色模型和高斯肤色模型,对人脸肤色进行分割和比较，结果表明高斯模型在人脸分割中的优越性，所以本文采用高斯肤色模型作为人脸分割算法。实验结果证明了这种方法的稳定性和有效性。
　　本文在完成人脸前期的分割后，通过主元成分分析法和线性判别分析法来提取人脸特征，但是在提取特征的过程中发现这两种特征提取方法，都存在不包含图像的细节特征的缺陷，针对这个问题本文提出了一种融合主成分分析法和随机主成分分析法来构建特征空间的方法。这种方法虽然能有效提高识别率，但是存在特征过多，计算复杂度较高的缺点。为了得到识别率较高并且计算复杂度较低的人脸识别系统，本文利用粗糙集方法对不完备数据和不精确知识约简的能力，来计算每个属性的重要度，从而去除不必要的属性来减少特征维数和提高特征质量，进而在提高系统的识别率的同时减少分类时的计算复杂度。实验结果显示PCA+rough set的平均识别率89.7％，PCA+LDA的平均识别率88.3%, PCA方法的平均识别率为87.5%，而采用Random PCA+rough set方法的平均识别率为93.7%,识别率均高于传统方法，另外本文还将这种方法用到实际人脸中，结果也很有效，这就说明了这种方法的有效性、可靠性和普适性。