论文部分内容阅读
随着现代各学科领域的不断深入,人脸检测和识别得到了空前广泛的关注并已应用在实际生产中。现有的检测、识别算法对计算机的硬件和计算能力要求较高,在低配置的嵌入式系统的应用中,实时性能有待加强。本文针对这一点,对人脸检测、识别过程中的问题进行研究。在人脸检测和识别中,最关键的是要准确的找到每张人脸的唯一性特征,并将其用数学方式精确地描述出来。但实际中,记录人脸图片的矩阵维数较大,并且计算处理量伴随图片的精确程度增高成平方倍数的急剧增大。例如,本文所用摄像头采集到的人脸图片矩阵是320×280(89600像素),则相应协方差矩阵将达到89600×89600约7.5G,这就导致要求巨量内存和庞大计算量消耗,从而使得现有的识别算法在嵌入式系统上运行困难。所以我们看见许多实际应用中的人脸图片都较小,例如,ORL标准人脸库的矩阵维数仅有112×92等。但是较小的图片维数可能导致人脸的细节部分描述不够清晰,损失细节的差异。为了解决上述问题,本文将人脸图像分割和压缩处理,即先挑选出人脸中包含最主要特征的眼睛、鼻子、嘴巴、下巴这几部分区域,将人脸信息平凡的部分去掉。为了弥补丢失掉的人脸全局信息,再将人脸整体图缩成一张小脸图后补充进来。这样,分割和压缩后人脸包含六个部分,分别是左、右眼、嘴巴、鼻子、下巴以及缩小后的整体人脸图。之后,对上述六部分使用主成分分析法(PCA)进行特征提取,本文按特征值大小排序选择占全部特征值总和的前90%的特征值对应的特征向量,然后,选用支持向量机(SVM)来进行分类识别。