基于小波理論的人臉特征提取與識別的算法研究-資料下載頁
2025-06-22 15:43本頁面
【正文】 剩下的5個圖像用于測試，對不同分塊長度和分解層數(shù)進行了 10次重復實驗。第一組是將小波子圖的大小線性變換為 (實驗結(jié)果見表32)，第二組變換為64x64(實驗結(jié)果見表33)。表32小波子圖大小為32x32表33小波子圖大小為64x64從表32和表33可以看出,對于兩種圖像大小的圖像，基于分塊小波的識別性能都比未分塊小波好。對于圖像大小為32x32的圖像，分解級數(shù)為2級，分塊長度為2個像素時，識別率最高，%。對于圖像大小為64x64的圖像，分解級數(shù)為3，分塊長度為4個像素時，識別率最高，%。而且兩種方式的識別速度都非常不錯。而不做分塊處理(對應的就是表3表33中第1行的數(shù)據(jù))%?？梢娮龇謮K處理不但能改善識別率，更是至少能提高兩倍以上的識別速度。此外，本文還比較了不同方法的人臉識別性能，具體見表34。從表中可以看出線性鑒別分析(LDA)比特征臉方法(PCA)要好，因為前者充分利用了類別信息。而結(jié)合小波變換和PCA+LDA的方法比前兩者都要好，不過識別率最高的是本文所提出的分塊小波+PCA+LDA特征提取方法。表3~4各種方法實驗結(jié)果對比由于KNN不需監(jiān)督，分類效率較高，SVM對于少數(shù)類別分類有很好效果，所以有學者將兩種方法結(jié)合起來進行分類。目前大多數(shù)結(jié)合方法都是先判斷樣本和支持向量機的距離，如果該距離大于某個閾值，則將其輸入到SVM分類器,否則就輸入到KNN分類器。這種結(jié)合方法已經(jīng)廣泛應用于文本、網(wǎng)頁分類和人臉識別的研究中，并都取得了不錯的效果。但是這種結(jié)合方法還是從支持向量機出發(fā),需要構造最優(yōu)超平面，所以還是會帶來計算復雜的問題。為此本文提出了先用KNN過濾，簡化問題規(guī)模，再用SVM分類的融合分類器方法。實驗表明，此方法不論是在時間效率還是識別上都要比SVM要好，識別率比KNN好，時間效率相當。四、總結(jié)與展望本文主要研究了小波變換與統(tǒng)計特征結(jié)合在人臉識別中的應用。結(jié)合小波變換的PCA和LDA特征提取方法要比不結(jié)合更好。而結(jié)合分塊處理后結(jié)果更好并且時間更快，這也就是本章提出基于分塊小波系數(shù)的PCA+LDA特征提取方法的原因。本文提出了一種基于分塊小波組合特征向量的SVM+KNN融合分類算法。1)在對原始圖像進行小波變換后，對其低頻子圖像進行了分塊運算，給出了一種新的小波系數(shù)：分塊小波系數(shù)。然后結(jié)合主成分分析法和線性鑒別分析法得到了基于分塊小波系數(shù)的組合特征向量。ORL人臉庫上的對比實驗表明：該方法充分利用了不同方法的特點，克服了不同方法帶來的差異，得到了比單獨是一種方法更好的效果。2)利用KNN+SVM融合分類器對由前面得到的到的組合特征向量進行分類識別。ORL人臉庫上的實驗表明：KNN+SVM融合分類器對經(jīng)PCA+LDA處理后的組合特征特征向量識別率顯著高于其他分類器，且識別速度很快，具有實時處理的能力。這也表明，我們方法融合這一思路可以在人臉識別這一領域廣泛應用開來。因為現(xiàn)在各種統(tǒng)計、圖形、計算機等領域的方法被應用到人臉識別中來，各有各自的特點，又各有缺點。如果能正確將各種方法結(jié)合起來，勢必能產(chǎn)生1+12的效果。3)本文提出的方法，不僅識別率達到了 %，比傳統(tǒng)的PCA(%)和LDA (%)等方法要高，識別速度也從510毫秒降低到了 ，相對而言有了質(zhì)的飛躍。在實時識別系統(tǒng)中具有較強的實用價值。隨著研究的進展,發(fā)現(xiàn)在研究中存在一些不足，仍然有許多工作有待深入研究： 1) 本文僅對二維靜態(tài)圖像進行識別，并沒有對三維圖像、復雜背景下的視頻圖像的人臉識別進行研究： 2) 本文所做的實驗都是在兩個標準人臉庫(ORL和YALE)上進行的，如何使本文提出的算法能更好的應用于實際生活，即復雜背景下的人臉識別研究，這將是我們下一個階段的研究重點。3) 人臉特征提取是人臉識別的一個關鍵因素，本文都是釆取都圖像進行某種變換，獲得其特征向量，而目前有很多諸如虹膜識別、耳紋識別及唇紋識別等生物識別技術，如何將本文給出的特征提取方法與這些生物特征進行有效的融。 4）如何在理論研究的基礎上,更好的實現(xiàn)產(chǎn)學研相結(jié)合,產(chǎn)生更高的社會價值有待我們進一步探討研究。參考文獻[1]祝秀萍。吳學毅。劉文峰。人臉識別綜述與展望m。計算機與信息技術。2008(4):5356[2] ZhaoW, ChellappaRj Phillips PJ,etal. Face recognition! aliterature survey [J]. AcM ComputingSurveys,2003, 35(4)。 399—458[3] [D].,2012[4][D].,2003[5] [D],[6] [B].機械工業(yè)出版社,2005[7] [D]..[8][D].:1319[9]賈淑華,李星野,[J].計算機測量與控,17(1 ):165169[10] M Kirby,L of the face recogmtion[J] .ElectronicInstrumentation Custumers,2008,15(5):1 2[11] , GGluhchev. Face Recognition Using Combination of Wavelet Packets,PCA and LDA[C].IEEE International Symposium on SignalProcessing and Information :257~262[12] [D].山東大學博士學位論[13] . Automatic Recognition and Analysis of Human Facesand Facial Expression by LDA Using Wavelet Transform[C].:1 4[14]S Xu, J D Suo, J F Ding. Improved Linear Discriminant analysis based on twodimensional Gabor for Palmprint recognition[C]. International Conference of Soft Computing and Pattern :157160[15] 甘俊英,[J],系統(tǒng)仿真學報,(3): 61261922
法律信息相關推薦
鄂ICP備17016276號-1