基于Haar小波和保局投影的人脸识别.pdf

【文章标题】基于Haar小波和保局投影的人脸识别 【文章摘要】本文针对在使用保局投影（LPP）算法进行人脸识别时，噪声可能破坏真实流形的问题，提出了一种名为HaarLPP的新方法。这种方法利用Haar小波变换减少噪声的影响，再结合LPP算法进行降维，最后根据最近邻准则完成人脸识别。实验结果显示，HaarLPP方法在处理噪声的敏感性方面优于传统的LPP算法。 【关键词】人脸识别、特征提取、Haar小波变换、保局投影、最近邻分类 【详细内容】 人脸识别是生物识别技术中的一个重要领域，通常用于安全监控、身份验证等应用场景。传统的特征脸（Eigenface）和Fisherface方法虽然广泛应用，但它们依赖于线性空间假设，而实际人脸图像往往存在于非线性流形上。 近年来，研究人员引入了基于流形的学习算法，如等距映射（Isomap）、局部线性嵌入（LLE）和拉普拉斯特征映射（Laplacian Eigenmaps），这些算法可以揭示非线性流形的拓扑结构。然而，它们在处理噪声和新样本投影方面存在不足。 Haar小波变换是一种常用的信号处理工具，它通过分解图像为不同尺度和方向的细节，能有效地去除噪声。在人脸识别中，Haar小波变换可以对原始图像进行预处理，减少噪声对识别结果的影响。 保局投影（LPP）是一种非线性降维方法，它保留了数据点之间的局部结构，有助于在低维空间中保持原有的拓扑关系。然而，噪声的存在可能会破坏这种结构。HaarLPP方法将Haar小波变换与LPP相结合，首先用Haar小波减少噪声，然后应用LPP进行降维，从而得到更稳定的人脸特征表示。 实验在AT&T和Sheffield人脸数据库上进行，结果显示HaarLPP方法在处理含有噪声的数据时，相比于传统LPP算法具有更高的识别精度和鲁棒性。这表明，Haar小波的降噪能力和LPP的局部结构保留特性结合，对于提高人脸识别性能具有显著优势。 HaarLPP方法提供了一种有效的人脸识别策略，尤其在面临噪声挑战时，其性能表现优秀。这种方法可以作为未来人脸识别系统的一个重要组成部分，特别是在需要在复杂环境或低质量图像条件下进行识别的应用中。