应用特征串行融合的人脸识别算法.pdf

和提到的是“应用特征串行融合的人脸识别算法”，这是一种结合了局部特征（Gabor特征）和全局特征（奇异值特征）的识别方法，旨在解决光照和姿态变化对人脸识别性能的影响。文章的核心是通过Gabor变换提取局部特征，使用奇异值分解提取全局特征，然后将两者进行串行融合，最后通过最近邻分类进行人脸识别。 中的“人脸识别”是指通过计算机技术分析和识别人脸图像的过程，是生物特征识别的一种。"参考文献"和"专业指导"意味着该文提供了相关领域的学术参考资料和技术指导。 【部分内容】详细介绍了算法的实现过程： 1. **Gabor特征**：Gabor变换是一种用于图像处理的小波分析方法，它对光照和姿态变化有一定的鲁棒性。在人脸识别中，通过8个方向和5个尺度的Gabor滤波器组对人脸图像进行处理，得到的特征向量可以捕捉到人脸的局部信息。 2. **奇异值特征**：奇异值分解是线性代数中的一个重要工具，用于矩阵的分解。在人脸识别中，它能反映图像的代数本质和不变性，提取出全局特征。通过奇异值分解，可以得到人脸图像的唯一奇异值特征向量。 3. **特征串行融合**：首先提取的Gabor特征作为局部特征，奇异值特征作为全局特征，然后将两者按照一定顺序（串行）融合，形成一个新的特征向量，这有助于综合考虑局部和全局的信息。 4. **最近邻分类**：在特征融合后，使用最近邻分类方法进行识别，即找出训练集中与测试样本特征最接近的样本，以此来确定测试样本的人脸身份。 实验部分是在ORL标准人脸库上进行的，这个数据库包含40个人在不同光照和姿态下的10张面部图像。实验结果表明，提出的算法能有效减少光照和姿态变化对识别性能的影响。 总结来说，这种特征串行融合的人脸识别算法结合了Gabor变换的局部信息处理能力和奇异值分解的全局特性提取，通过最近邻分类提高了识别的准确性，尤其在光照和姿态变化的情况下表现出了较好的鲁棒性。