一种基于隐马尔可夫模型的人脸识别方法.pdf

基于隐马尔可夫模型的人脸识别方法 本文提出了一种基于隐马尔可夫模型的人脸识别方法，该方法利用人脸隐马尔可夫模型的结构特征和Viterbi算法的特点，对特征观察序列进行分割，并使用部分序列对所有隐马尔可夫模型递进地计算最大相似度，同时排除相似度最小的隐马尔可夫模型，减少观察序列的计算次数，提高识别效率。 人脸识别是生物特征识别技术中的研究热点，其重要性体现在：人脸图像能更直观、更方便地核查人的身份，在商业、安全、法律等领域具有广阔的应用前景。但是，人脸识别受到光照、姿态、角度等环境因素的影响，其识别率难以得到保证。 隐马尔可夫模型（Hidden Markov Model，HMM）是一种重要的人脸识别方法。Samaria最早将HMM方法引入人脸识别，Nefian发展这一方法，提出使用2D-DCT特征取代直接使用灰度值作为观察值的方法，减少计算量。之后Nefian、Eickler等人又提出了各自的方法。 本文的方法使用Viterbi算法对特征观察序列进行分割，并使用部分序列对所有隐马尔可夫模型递进地计算最大相似度，减少观察序列的计算次数，提高识别效率。实验结果表明，该方法能在不降低识别率的情况下，有效提高识别速度。 本文的贡献在于： 1. 提出了一种基于隐马尔可夫模型的人脸识别方法，该方法利用人脸隐马尔可夫模型的结构特征和Viterbi算法的特点，对特征观察序列进行分割，并使用部分序列对所有隐马尔可夫模型递进地计算最大相似度，同时排除相似度最小的隐马尔可夫模型，减少观察序列的计算次数，提高识别效率。 2. 实验结果表明，该方法能在不降低识别率的情况下，有效提高识别速度。 本文的限制在于： 1. 本文的方法基于隐马尔可夫模型，对于人脸识别的其他方法未进行讨论。 2. 本文的实验结果仅在小样本集中进行验证，需要在更大的样本集中进行验证。 本文的未来研究方向在于： 1. 结合其他人脸识别方法，以提高识别效率和准确性。 2. 在更大的样本集中验证本文的方法，以提高其泛化能力。 3. 将本文的方法应用于实际的人脸识别系统中，以提高其实用性。