二代曲波变换结合BP神经网络的人脸识别技术

"该文提出了一种结合二代曲波变换和反向传播神经网络的人脸识别方法，旨在解决小波变换在人脸识别中的低识别率问题。通过‘打包’的快速离散曲波变换对人脸图像进行多尺度、多角度分解，选取包含人脸特征的低频系数作为特征输入，然后用这些特征训练BP神经网络，最终实现高准确率的人脸识别。实验证明，该方法在剑桥大学ORL人脸库上的识别正确率达到95%，比使用Daub(2)小波基的方法提高了2.5%。" 本文主要探讨了人脸识别技术的一种新方法，即结合二代曲波变换和反向传播神经网络。人脸识别是生物特征识别领域的重要组成部分，广泛应用于安全监控、身份验证等多种场景。传统的小波变换虽然能够提取图像的多分辨率信息，但在人脸识别中可能存在识别率不高的缺点。 二代曲波变换（Second-Generation Curvelet Transform）是小波变换的一种改进，它具有更好的方向敏感性和稀疏表示能力。在该方法中，所有的人脸样本图像和测试图像都经过基于“打包”技术的快速离散曲波变换，这使得图像能够在不同尺度和角度上被分解。分解后的曲波系数中，低频部分往往包含了人脸的关键特征信息，如轮廓、眼睛、鼻子和嘴巴等。 接着，选择这些低频系数作为特征参数输入到反向传播（BackPropagation, BP）神经网络中。BP神经网络是一种常用的监督学习模型，能通过反向传播误差来调整权重，从而学习输入与输出之间的复杂映射关系。在训练过程中，BP网络会根据给定的特征参数和对应的类别标签进行迭代优化，以提高其对未知人脸的识别能力。 实验结果表明，采用二代曲波变换和BP神经网络的人脸识别系统在ORL人脸数据库上的识别正确率达到了95%，相较于使用Daub(2)小波基的方法有显著提升。这一改进说明了二代曲波变换在提取人脸特征方面的优势，以及BP神经网络在处理这些特征时的有效性。 该研究提供了一种提高人脸识别准确性的新途径，通过结合更优的图像变换技术和强大的神经网络模型，有望在实际应用中进一步提升人脸识别系统的性能。对于未来的研究，可以考虑将这种方法与其他深度学习模型结合，探索更高精度和鲁棒性的人脸识别技术。