融合局部奇异值特性的人脸识别方法.pdf

【融合局部奇异值特性的人脸识别方法】 在人脸识别领域，传统的奇异值分解(Singular Value Decomposition, SVD)方法在处理整幅人脸图像时可能无法提取到足够丰富的特征信息，从而影响识别效果。针对这一问题，本文提出了一种创新的融合局部奇异值特性的面部识别方法，旨在通过分析人脸图像的不同区域来提高识别准确性和鲁棒性。 文章指出，这种方法的核心在于不全局应用SVD，而是将人脸图像分割成多个局部区域，并分别对这些区域进行奇异值分解。这样可以获取更丰富和具有区分性的特征，同时有效地缓解小样本问题，因为局部SVD能够更好地捕捉局部的细微差异。在识别阶段，对待识别的人脸图像，首先提取其特征向量，然后计算该特征向量与人脸样本库中每个样本的归属度，最终根据归属度做出识别决策。 为了验证这种方法的有效性，研究人员在ORL和AR两个常见的人脸数据库上进行了对比实验。实验结果显示，融合局部奇异值特性的方法在识别率上优于传统基于全局SVD的方法，且对于姿态变化和部分遮挡的情况表现出更强的鲁棒性。 此外，本文还引入了灰色理论和灰色关联分析。灰色理论是一种处理不完全或不确定信息的系统理论，而灰色关联分析则是评估两个或多个序列之间的相似程度的一种方法。在人脸识别中，灰色关联分析可以用于量化待识别图像与样本库中各个样本之间的相似度，进一步优化识别过程。 总结来说，融合局部奇异值特性的人脸识别方法结合了SVD、灰色理论和灰色关联分析的优势，提高了人脸识别的性能，尤其在应对姿态变化和部分遮挡等挑战时表现突出。这一研究为今后的人脸识别技术提供了新的思路和改进方向，对于提升人脸识别系统的实用性和可靠性具有重要意义。