论文部分内容阅读
人脸识别是模式识别领域的一个重要研究课题，也是目前生物识别技术的一个热门研究方向。它可以这样描述：对于输入图像或视频流，首先判断其中是否存在人脸；如果存在，则提取每个人脸的特征，并将其与已知人脸库中的模板信息进行对比，从而识别每个人脸的身份。识别人脸是人类最杰出的认知能力之一，但是让计算机来识别就困难的多了。近二十年来，人脸识别技术迅速发展，国内外研究方法层出不穷，包括基于几何特征的识别方法、基于相关匹配的方法、基于统计的识别方法和基于联系机制的方法等。
人脸识别中存在一种特殊但却非常实际的情况，那就是有些时候，人脸库中的每个人只能有一幅人脸图像作为训练样本。由于受到姿态、表情、光照等的影响，单幅图像往往无法具备代表所属类别的所有特征，这就势必会增加人脸识别的难度。本文就这一问题展开了研究，对现有的针对单训练样本的人脸识别算法进行了分析和总结，依据其整体思路将其归纳为两类：一类是尽量提取有利特征的单样本人脸识别算法，另一类是从单幅图像衍生多幅图像的单样本人脸识别算法。前者采用各种方法对图像进行预处理，或是用不同方法尽量精确的表述人脸，使得对识别有利的特征更为突出和易于抽取，同时抑制不利的信息；后者则是通过图像分割、变换参数、表情重建、光照模拟等方法，从单幅人脸图像衍生出多幅图像来扩充训练集。
特征脸法是人脸识别领域的经典算法。本文着重研究了几种基于特征脸法的单样本人脸识别算法——(PC)2A、E(PC)2A和SPCA。这些算法都是通过对单幅人脸样本图像做特殊的预处理，使得主要信息更加突出，而次要信息被削弱，然后再进行主成分分析(PCA)。依照这一思路，本文提出了一种改进的奇异值扰动PCA算法(ESPCA)，该算法采用奇异值分解对样本图像进行预处理。实验证明，该算法的性能优于标准特征脸法和其他几种改进算法，在不增加计算成本的前提下，识别率更高，所用的特征脸更少。