人臉識別中特征提取算法的研究與實現(xiàn).pdf

1、人臉識別是一項極具發(fā)展?jié)摿Φ纳锾卣髯R別技術(shù)，在銀行、公安系統(tǒng)、社會福利保障等領(lǐng)域有著廣泛的應用前景。經(jīng)過幾十年的研究，人臉識別取得了長足的發(fā)展與進步，目前在控制和配合條件下人臉識別可以取得比較高的準確率，但是在非控制和非配合條件下，人臉識別仍然是一個極具挑戰(zhàn)性的課題。人臉特征容易受到光照、表情等因素的影響，從而導致識別率急劇下降，因此研究出魯棒性高且能夠提取更好表征能力特征的特征提取算法具有十分重要的現(xiàn)實意義。本文主要研究了適用于光照

2、環(huán)境下的特征提取算法并在人臉識別原型系統(tǒng)中得以實現(xiàn)，主要工作如下所示：
　?。?）分析并總結(jié)了人臉識別在生物特征識別中的優(yōu)勢、應用領(lǐng)域以及所面臨的問題，闡述了特征提取算法在國內(nèi)外的研究和應用現(xiàn)狀。同時概述了人臉的主要特征，介紹了特征提取和特征選擇方法，并且介紹了光照影響下人臉的處理方法。
　?。?）現(xiàn)有的大多數(shù)特征提取算法在提取人臉特征時，容易受到光照等外界因素的影響，從而導致人臉識別率下降。而方向梯度直方圖（Histogr

3、am of Oriented Gradient，HOG）對光照具有較強的魯棒性，它能夠很好的減小光照對特征提取造成的影響，但傳統(tǒng)HOG在計算梯度幅值和方向時只計算水平和垂直方向上四個像素點對中間像素的影響，當外界環(huán)境變化時不能保證其穩(wěn)定性，因此提出一種基于Haar特性的改進HOG的特征提取算法。該算法在計算梯度幅值和方向時考慮水平、垂直以及對角線上8個像素點對中間像素的影響，由于增加計算量導致特征提取時間隨之增加，因此引入Haar，借助

4、Haar型特征運算簡單、快捷的特點設(shè)計4組Haar型特征編碼模型，按照改進的HOG特征計算方式提取人臉特征。仿真結(jié)果表明該算法對光照具有更好的魯棒性，能夠在復雜環(huán)境下提高人臉識別率。
　　（3）針對特征提取過后特征維數(shù)過大以及存在較多冗余特征的問題，借助受限玻爾茲曼機（Restricted Boltzmann Machine，RBM）能夠提取出低維高度可分特征的優(yōu)點來進行特征選擇，但是在RBM訓練過程中，如果選擇的學習參數(shù)不適合數(shù)

5、據(jù)集或RBM結(jié)構(gòu)，將無法正確建立數(shù)據(jù)分布模型。因此提出一種基于粗糙集的RBM特征選擇算法。該算法首先利用粗糙集理論分析樣本數(shù)據(jù)之間的決策關(guān)系，從數(shù)據(jù)樣本中獲取最簡決策規(guī)則和各個屬性的隸屬度；再根據(jù)得到的決策規(guī)則以及隸屬度確定了RBM的初始參數(shù)；并根據(jù)確定的初始權(quán)值和每次更新得到的權(quán)值共同確定下一次權(quán)值，同時根據(jù)迭代誤差動態(tài)控制權(quán)值的更新步長，從而改進權(quán)值更新準則來優(yōu)化RBM算法。仿真結(jié)果表明該算法減少了網(wǎng)絡(luò)訓練的迭代次數(shù)，同時減少了RB

6、M學習的重構(gòu)誤差，從而提取出低維高度可分的特征。
　　（4）最后，設(shè)計并實現(xiàn)了一個人臉識別原型系統(tǒng)。該系統(tǒng)基于上述研究成果，設(shè)計并實現(xiàn)了人臉檢測、特征提取以及人臉識別等功能，并驗證了基于Haar特性的改進HOG的特征提取算法和基于粗糙集的RBM特征選擇算法的有效性和實用性，同時為了提取出表征能力更好的特征來提高人臉識別率，本系統(tǒng)將多個RBM疊加成一個深度信念網(wǎng)（Deep Belief Network，DBN）來對特征進行選擇。最后