论文部分内容阅读
人脸识别技术是模式识别和计算机视觉领域最富挑战性的研究课题之一，也是近年来的研究热点，作为人脸识别技术的重要组成部分，人脸性别和种族识别也受到了广泛地关注，具有广阔的应用前景。 一般地，人脸性别和种族识别系统分为图像预处理，人脸特征提取和分类器识别三个部分。本文针对这三个部分展开研究，并比较了各种不同方法的识别性能。通过对人脸识别问题中的重要理论的研究，提出了将Gabor小波，Adaboost学习算法和支持向量机相结合的性别识别方法。在人脸种族识别问题上，提出了将Gabor小波特征与人脸肤色特征相结合的方法。 Gabor小波变换与高等动物视觉皮层简单细胞的接受场具有相似的特性，被广泛地应用于计算机视觉和模式识别领域。本文采用Gabor小波滤波器组来提取人脸性别特征，并采用Gabor小波和人脸肤色特征相结合的方法来提取人脸种族特征。 Adaboost学习算法充分考虑了各个特征向量中的特征的线性分类能力，通过弱学习过程提取出最显著的特征。将Adaboost学习算法应用在Gabor小波特征上起到了降维和提高识别率的作用。 支持向量机理论是基于结构风险最小化理论提出的，它在解决小样本问题方面表现出许多特有的优势，并已成为国际模式识别领域首选的分类器。本文选用径向基函数为核函数，采用LibSVM算法对Gabor+Adaboost特征进行训练和识别。 本文在FERET图像库上作了大量有意义的实验，分别采用PCA+SVM，ICA+SVM，Haarlike+Adaboost+SVM和本文提出的Gabor+Adaboost+SVM方法进行人脸性别识别，实验结果表明本文提出的方法性能优越，识别率在90％以上。在人脸种族识别实验中，采用树型结构的支持向量机分类器对Gabor小波与肤色相结合的特征进行人种识别，也得到了较好的实验结果。