张 颖, 马承泽, 杨 平, 王新民

(1. 长春财经学院 信息工程学院, 长春 130122; 2. 长春工业大学 数学与统计学院, 长春 130012)

人脸识别算法主要包括人脸特征的提取和识别两部分, 其中特征提取是人脸识别过程中的重要部分, 提取到的特征是否合理直接关系到人脸识别系统识别准确率的高低和速度的快慢. 由于受外部环境(如昼夜、光照等)和被拍者自身因素(如姿态、表情、是否配戴眼镜等)的影响, 人脸特征提取不准确会导致人脸识别效果较差[1]. 人脸特征提取要解决两方面的问题, 即高频和高维问题. 高频是指图像在采集、传送过程中会受到噪声的影响, 从而在图像中留下印记; 高维是指图像的数据维度大, 且存在彼此关联的、冗余的信息[2].

对图像频率成分进行分析, 传统方法采用Fourier变换, 但Fourier变换缺少时域信息, 虽然改进的STFT(short-time Fourier transform)可通过时间窗将图像信号分割为一定时间内平稳的信号, 但同一个时间窗内的频率是固定的, 同样会导致分析的精度不够. 小波分析的特点是其可以将信号分割为不同空间的分量, 过滤出图像中的高频分量和低频分量, 从而达到图像的有效去噪[3]. 目前对图像进行降维的主要方法是主成分分析(principal component analysis, PCA)方法. PCA是以K-L变换(Karhunen-Loeve transform)为基础的统计方法, 旨在用少量的特征表征样本信息, 即可将原始数据从原来的R维空间投影到M维空间(R≫M), 且在低维空间中保留了原有数据中的绝大部分特征信息.

本文通过对人脸图像进行小波分解、去噪, 利用改进……