何金洋

[摘要]针对经典的主成分分析加距离测度人脸识别算法随着光照、角度、表情变化等干扰因素而出现的性能下降问题，从特征优化选择的角度。并结合神经网络非线性映射能力强、可以学习到数据局部分布特征的优点。论文提出了结合稀疏滤波和神经网络（SF-BPNN）的算法，该算法先采用稀疏滤波的特征竞争特质得到紧凑的初级特征表达，然后采用反向传播神经网络（BPNN）进行非线性分类，从而提高识别率。实验结果表明，论文提出的算法在较FERRET数据库下可取得较好的人脸识别效果。

[关键词]人脸识别；稀疏滤波；神经网络；SF-BPNN；主成分分析

1 引言

人脸识别是一种重要的目标识别技术。能够利用人脸图像的视觉特征来进行身份等信息的识别，发展前景十分广阔。由于在现实应用场景下，人脸姿态千差万别，外观的差异、物体遮挡、尺度、视角、所处背景环境不同以及光照等因素都会都对识别效果产生影响，许多方法或是过于依赖环境条件控制而不能达到现实场景下的识别精度，或是过于计算复杂而难以推广应用。

近年来，基于特征表达理论的人脸检测是一个富有潜力的研究方向，根据模型建立方式的不同，可以分为两种：一种是直接数据建模的方法：另一种就是避免直接建模，间接优化特征的方法。基于直接建模的方法具有较高识别率，但算法比较耗时，比如稀疏编码（sparseCoding，SC）算法需要花费很多时间来解L1范数最小二乘问题以找到稀疏系数。……