论文研究-基于Gabor小波和SLLE的人脸识别算法 .pdf

人脸识别技术是一种利用人类的生物特征进行身份验证的方法，广泛应用于安全验证、监控和个性化服务等领域。近年来，随着计算机视觉和机器学习的发展，人脸识别技术得到了极大的提升，尤其是在特征提取和数据降维方面取得了显著的进展。 在本研究中，李见为、樊超等学者提出了一种基于Gabor小波和SLLE（Supervised Local Linear Embedding）的混合人脸识别算法。Gabor小波是一种广泛用于图像处理和特征提取的工具，因其具有空间局部性和方向选择性，在处理具有复杂纹理的图像，例如人脸图像时，能够有效提取出对表情、光照变化等具有鲁棒性的特征。 Gabor小波变换是通过使用一组不同方向和频率的滤波器对图像进行处理，从而得到图像在各个方向和尺度上的纹理信息。在本算法中，使用了5个中心频率和8个方向的Gabor滤波器，共构成40个滤波器，对人脸图像进行多方向、多尺度的滤波操作。Gabor小波变换后的幅值特征图谱，保留了图像的局部能量分布信息，而滤除实部响应和虚部振荡，能够为后续的特征提取提供更稳定的信息。 SLLE是一种基于流形学习的方法，与传统的非监督学习方法不同，SLLE能够考虑样本的类别信息，通过监督机制来增强算法的识别能力。SLLE算法的核心思想是将样本点映射到一个低维空间，在这个过程中保留样本的局部邻域结构，并尽量拉大不同类别样本点之间的距离，从而增加类间距离，减小类内距离。 该研究提出的算法主要由三个步骤组成：首先是使用Gabor小波进行特征提取，然后用SLLE对提取的特征进行维数约简，最后利用最近邻分类器进行分类判决。Gabor小波对归一化的人脸图像进行处理，提取出多方向、多尺度的Gabor幅值特征。通过SLLE算法，将高维特征转换到一个低维空间，这个过程既保留了数据的拓扑结构，又减少了分类器的复杂度。在这一低维空间中，使用最近邻分类器对特征进行分类判决，以实现人脸识别。 通过在ORL和YALE两个人脸数据库上进行的实验，新提出的基于Gabor小波和SLLE的人脸识别算法相比其他算法，在平均识别率上提高了3.5%-37.8%，这表明该算法在识别性能上有了显著的提升。算法的有效性证明了其在不同的人脸数据库上都具有良好的适应性和较高的准确性。 这项研究为未来的人脸识别技术提供了新的研究方向，特别是Gabor小波与SLLE结合的特征提取和维数约简方法，显示出在人脸识别领域的巨大潜力。随着算法的进一步优化和大数据集的使用，人脸识别的准确率和实用性有望进一步提高。