【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。