资源描述：
《基于gabor特征人脸识别算法研究》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。
1、.基于Gabor特征的人脸识别算法的研究中国农业大学周光富摘要：Gabor特征能从不同方向和尺度有效表示人脸图片的局部特征,但是利用传统Gabor特征的方法却忽略原始人脸图片所包含的全局特征.文中把Gabor特征和原始图片信息结合起来,构成增强的Gabor特征,并结合直接分步线性判别分析算法,提出一种人脸识别方法.在Yale、ORL和GeorgiaTech人脸库的仿真实验结果表明,相对于传统Gabor特征,增强Gabor特征能够有效提高人脸识别率.关键字：Gabor，人脸识别TheSurveyofFaceReco
2、gnitionBasedonGaborFeatureABSTRACTGaborfeaturesCalleffectivelyrepresentthelocalfeaturesoffaceimagewithdifferentdirectionsandscales．However，traditionalGaborfeaturesbasedalgorithmsneglecttheglobalfeaturesoftheoriginalimage．EnhancedGaborfeatures(EGF)isdevelopedi
3、nthispaperbycombiningGaborfeaturesandinformationextractedfromtheoriginalimage．AfacerecognitionmethodisfurtherproposedbasedonEGFanddirectfractional—steplineardiscriminantanalysisalgorithm(DF—LDA)．ExperimentresultsofsimulationonYale，ORLandGeorgiafacedatabasessh
4、owthatEGFCalleffectivelyimprovethefacerecognitionratecomparedwiththetraditionalGaborfeatures．KeyWords:FaceRecognition,GaborFeature近些年,“生物特征识别技术”因其良好的安全性越来越多地应用于身份识别,人脸识别技术因造价低、使用友好等优点成为其中很有前景的一部分。由于在一个场景中找到一张脸并且识别它的能力在人类生活中是很重要的,因此将这项任务自动化是非常有意义的。人脸识别是一个非常具有挑
5、战性的问题。首先因为人脸图像的获取过程不同,导致二维图像信息在质量、几何、光线上都有内在的不同,此外还有脸部受到遮挡和化妆等因素的影响。但是,更内在的原因是,人脸是具有高度相似性的非刚体。人脸不同于普通物体,不同人的脸具有高度的相似性,同一人的脸又具有不同的状态,这使得人脸识别问题不同于普通物体的识别问题。目前,许多研究机构致力于这一领域的研究,取得了丰硕的理论成果并有不同的应用软件应运而生。人脸识别领域中,判别主成分分析算法是最有效的算法之一。主成分分析(PCA)基于人脸的全局特征,不能有效提取局部特征。局部特
6、征分析(LFA)可以提取人脸图像的局部特征,但由于人脸特征点定位不准确通常会导致系统性能下降。与图像灰度信息特征相比,Gabor特征通常具有更好的鲁棒性。．生物学研究发现HJ，Gabor小波可较好地模拟大脑皮层中简单细胞感受野的轮廓，能够捕捉空间定位、方向选择等视觉属性．特别是Gabor小波可像放大镜一样放大灰度的变化，人脸的一些关键功能区域(眼镜、鼻子、嘴、眉毛等)的局部特征被强化，从而有利于区分不同的人脸图像．因此，Gabor小波特征在人脸识别领域得到广泛应用，如弹性图匹配旧J、基于Gabor特征的增强Fis
7、her判别分析局部Gabor直方图序列¨’等．但是，这些方法往往只利用Gabor特征，捕获人脸图像的局部特征，却忽略人脸图像原始的灰度值信息所代表的全局特征．1.Gabor算法的实现与原理分析...1.1Gabor算法的分类和实现原理1.11EGM算法EM算法是Dempster，Laind，Rubin于1977年提出的求参数极大似然估计的一种方法，它可以从非完整数据集中对参数进行MLE估计，是一种非常简单实用的学习算法。这种方法可以广泛地应用于处理缺损数据，截尾数据，带有讨厌数据等所谓的不完全数据(incompl
8、etedata)。假定集合Z=(X,Y)由观测数据X和未观测数据Y组成，Z=(X,Y)和X分别称为完整数据和不完整数据。假设Z的联合概率密度被参数化地定义为P(X，Y
9、Θ)，其中Θ表示要被估计的参数。Θ的最大似然估计是求不完整数据的对数似然函数L(X;Θ)的最大值而得到的：L(Θ;X)=logp(X
10、Θ)=∫logp(X,Y
11、Θ)dY；EM算法包括两个步骤：由E步和M步组
