利用线性回归分类算法的人脸识别方法.pdf

人脸识别方法使用线性回归分类算法 本文提出了一种新的面部识别方法，基于线性回归分类算法，以解决连续遮挡问题。在该方法中，首先开发了一个线性模型，表示探针图像为特定类图库的一个线性组合。然后，对所有类模型的给定进行了探究，并且该决策是以有利于类的最小重建误差为规则。对于连续遮挡问题，提出了一个模块化线性回归分类（LRC）方法进行分类识别，提出的 LRC 算法落入最近子空间分类。 在人脸识别文献中的一些典型评估协议中，该算法在 ORL 人脸数据库上与集中先进算法进行评估。实验结果证明，提出的方法取得了 98.75% 的最高识别成功率。 在人脸识别系统中，待识别的人脸识别易存在连续遮挡问题。已有许多解决这一问题的方法，如主成分分析（Principal Component Analysis，PCA）[1]、线性判别分析（Linear Discriminant Analysis，LDA）[2] 和独立成分分析（Independent Component Analysis，ICA）[3]。这些方法分为两类，即重建的方法（如 PCA 和 ICA）和判别的方法（如 LDA）。 在文献 [4] 中，融合小波分解和判别分析的概念，设计了一个复杂的特征提取阶段，将查询图像投影到子空间上，且决策规则有利于最小距离的子空间。然而，所提出的线性回归分类（Linear Regression Classification，LRC）方法与基准技术相比，是第一次只利用原始图像与线性回归分类相结合来实现人脸识别。 人脸识别方法的分类可以分为两大类：基于学习的方法和基于模型的方法。基于学习的方法包括 PCA、LDA、ICA 等，而基于模型的方法包括线性回归分类、支持向量机（Support Vector Machine，SVM）等。 线性回归分类算法的优点是可以解决连续遮挡问题，且可以实时地对人脸进行识别。该算法可以与其他方法结合使用，如 PCA、LDA 等，以提高人脸识别的准确性。 在人脸识别系统中，探针图像是关键的一步。探针图像可以是原始图像，也可以是经过处理后的图像。探针图像的质量将直接影响人脸识别的结果。因此，选择合适的探针图像是非常重要的。 人脸识别方法的应用非常广泛，包括身份验证、身份识别、人脸检测、表情识别等。人脸识别技术的发展对社会的影响也非常大，可以应用于各种领域，如公共安全、金融、健康等。 本文提出了一种新的面部识别方法，基于线性回归分类算法，以解决连续遮挡问题。该方法可以实时地对人脸进行识别，且可以与其他方法结合使用，以提高人脸识别的准确性。