论文部分内容阅读
随着高科技的进步与发展,数字图像已经成为一种重要的多媒体形式,人类生活方方面面都会涉及大量数字图像。如何对这些图像进行标识和分类已逐渐成为人们关注的焦点。面对海量数字图像仅仅靠人力已经远远不够,我们需要借助机器来实现图像识别。这时将模式识别知识应用到数字图像领域,便可解决图像识别问题。人脸识别技术作为图像识别技术的重要代表,其应用十分广泛,例如档案管理系统、住宅安全、信用卡验证、银行自助提款机等。所以人脸识别技术的研究具有很重要的实用价值和现实意义。首先,本文概述了人脸识别技术的背景、意义和国内外研究现状；其次,叙述了人脸识别技术的基础知识,包括图像识别系统的流程、特征提取与选择以及模式分类,其中重点说明了特征脸、Fisher脸方法以及HOG特征、LBP特征的获取方法,并且又详细叙述了三个分类器的算法,一个是经典且简单的K-近邻分类器,一个是实用的线性回归分类器,另一个是热门的稀疏表示分类器。文章重点是探究优良的特征与适当的分类器结合以实现高的人脸分类精度,通过控制变量法来研究特征提取方法与分类器结合的分类效果。本文研究结论如下：(1)将HOG特征、LBP特征引入到线性回归分类器(LRC)中能大大提高该分类器的分类精度,尤其在训练样本较少的情况下更能展现其分类实力,进而延伸至与最近邻分类器(NN)、稀疏表示分类器(SRC)结合也展现了该方面的能力；(2)尽管HOG特征和LBP特征都对光照变化等因素具有鲁棒性,但HOG特征在应对有明显光照变化和表情变化的图像分类问题时更具有优势；(3)特征脸特征在参与有明显光照变化的图像分类时并不能发挥其好的分类作用；(4)我们在做HOG特征和LBP特征与LRC结合实验时发现,在有遮挡块的图像分类中二者有利于提高线性回归分类器的分类精度。但由于本文实验的图像重点不在于有遮挡的图像上,所以并未在其他分类器上做深入的探讨；(5)以各个特征方法为控制变量研究分类器性能时,随着训练样本数一定程度上的增加,三个分类器的分类精度整体上是递增的；无论提取的什么类型的特征,基本上是稀疏表示分类器的分类能力最强,其次是线性回归分类器,最后是最近邻分类器。