张如艳 王士同

①(江南大学物联网工程学院 无锡 214122)

②(江南大学数字媒体学院 无锡 214122)

1 引言

人脸识别技术自诞生之日起，因其操作简单，实现方便等特点而成为生物识别技术中应用最为广泛的方法之一。这些优点通常只有在比较理想的人脸图像中才能得到充分体现。但是在实际应用中，会有各种类型不确定的噪声，对人脸图像的质量和识别效果产生影响。

通常，噪声模型会被估计为高斯噪声，而研究发现，在工程应用中，噪声模型往往表现出非高斯性，即概率密度函数分布往往表现出较厚的尾部统计特性[1]，如合成孔径雷达图像中、海杂波的尖峰幅度分布情况，都呈现出很多幅度较大的噪声，此时的噪声已经不再是高斯噪声，而是重尾噪声。对于重尾噪声的研究和应用并不仅仅局限于海波、雷达等领域。人脸识别作为一种被广泛使用的模式识别方法，有必要将重尾噪声引入到人脸图像中，研究其分类识别算法，这对于研究人脸识别技术具有重要意义。

概率密度函数估计，考虑样本数据的实际分布情况，能够为贝叶斯分类提供有力工具。最大后验概率[2]把分类问题看成一个统计估计问题，根据其所属类别概率做出统计判断。t分布具有尖峰后尾的统计特性[3]，符合非高斯噪声模型特性。因此，文中将其结合，得到t分布下基于核函数的最大后验概率分类方法(T Kernel-based MaximumA Posteriori,TKMAP)，并验证其对含重尾噪声的人脸图像的识别效果。

2 重尾噪声模型

常用的噪声模型有椒盐噪声，乘性噪声，高斯噪声，重尾噪声等[4]。……