论文部分内容阅读
一个完整的人脸识别系统主要包括预处理、特征提取与分类识别三部分，最终的识别结果由三者共同决定，而特征提取又是其中的重中之重，它能够从人脸图像中提取出最能反映人脸特征的有效信息，从而实现对特征空间维数的压缩，因此本文将对特征提取方法的研究和改进作为研究的重点。 子空间分析是目前应用最为广泛的一类特征提取方法，它根据一定的准则来寻找一个线性或非线性函数，通过变换将最有利于分类的特征保留在子空间中，从而压缩了特征空间维数，降低了复杂度，减少了运行时间。快速独立分量分析(Fast Independent Component Analysis,FastICA)方法就是一种典型的子空间方法，它不仅能够利用图像的高阶统计信息，而且在众多的独立分量分析(Independent Component Analysis,ICA)方法中，FastlCA以其收敛速度快、分离效果好被广泛应用于信号处理领域。 在FastICA算法研究的基础上，考虑到近年来发展起来的多尺度几何分析(Multiscale Geometric Analysis,MGA)方法可以从不同分辨率上对图像进行分析以获得对图像从整体到细节更为全面的认知，因此本文决定将多尺度几何分析方法与子空间方法结合进行人脸图像的特征提取，提出了基于Contourlet变换的快速独立分量分析人脸识别特征提取方法。首先，在特征提取之前选用Contourlet对人脸图像进行多分辨率分析，然后再对Contourlet分解后的高低频空间数据利用FastICA算法进行特征提取。在此基础上，通过一系列实验，验证了算法的有效性并且优化了算法的识别性能： (1)对提出的算法和传统的快速独立分量分析方法的识别性能进行比较； (2)研究Contourlet变换低频子带和各层高频子带系数的识别能力大小，并将它们与FastICA结合进行人脸识别的识别率和识别时间进行比较； (3)在对高、低频系数识别性能研究基础上，再将二者线性结合起来用于特征提取，进一步提高算法的识别率。 本文中所涉及到的所有的实验均在ORL人脸数据库上进行验证，实验结果表明，本文提出的特征提取方法具有较高的识别率，而将低频子带与高频子带结合进行人脸识别能够获得更好的识别性能。