小波与非负稀疏分解结合的人脸识别技术

本文主要探讨了一种创新的人脸识别方法，该方法综合运用了小波变换、非负稀疏矩阵分解以及Fisher线性判别技术。通过小波变换，可以将人脸图像在不同分辨率下进行分解，选取最能体现人脸特征的低分辨率子段，降低计算复杂性的同时保留关键信息。非负稀疏矩阵分解在此基础上进一步发挥作用，它能够明确控制分解的稀疏度，从而发现并提取出人脸图像的局部特征，这有助于提高识别的精确度。Fisher线性判别则用于在低维子空间中建立有效的分类模型，以提高识别效率和鲁棒性。 小波变换作为信号处理的重要工具，其多分辨率分析特性使得它在人脸识别中有着独特的优势。小波分解可以将复杂的人脸图像转化为多个分辨率的细节信息，这样不仅可以过滤掉噪声，还能突出人脸的关键特征，如眼睛、鼻子和嘴巴等，这对于后续的特征提取至关重要。 非负矩阵分解（NMFs）是一种数据挖掘技术，特别适用于寻找非负数据的低秩近似。在人脸识别中，通过强制矩阵分解结果为非负，可以确保分解后的特征向量具有物理意义，即对应于图像的局部区域。同时，通过控制稀疏度，可以得到更加聚焦的特征表示，增强人脸图像的可理解性和识别性能。 Fisher线性判别分析（FLD）是统计学习中的一种经典方法，主要用于特征投影和分类。它旨在找到一个线性变换，使类间距离最大化，类内距离最小化，从而在低维空间中优化分类效果。在本文所提方法中，FLD被用来将小波和NMFs提取的特征映射到一个低维空间，使得不同人脸类别之间有更明显的区分，提升识别率。 实验结果表明，这种结合小波、非负稀疏矩阵分解和Fisher线性判别的方法对于光照变化、面部表情和部分遮挡等情况具有很好的适应性和鲁棒性，这意味着它在实际应用中能够实现高效且准确的人脸识别。这种方法不仅理论上有价值，而且在实际的图像处理和模式识别领域具有广阔的应用前景。 关键词：人脸识别、小波变换、非负矩阵分解、Fisher线性判别 中图法分类号：TP317.4 文献标识码：A 文章编号：1001-3695(2006)10-0159-04