基于子空间及变换域的人脸识别算法研究的中期报告.docx

基于子空间及变换域的人脸识别算法研究的中期报告 1. 研究背景与目的： 人脸识别是计算机视觉领域的一个热门研究方向。在过去的几十年，许多人脸识别算法被提出和发展，但面对各种复杂情境，如不同光照、表情、姿态等因素的影响，人脸识别依然存在很大的挑战。本次中期报告旨在研究基于子空间及变换域的人脸识别算法，探究其优势和不足，并进一步优化算法。 2. 研究内容及进展： 2.1 子空间方法 子空间方法是一种基于向量空间的人脸识别算法，在这种方法中，将人脸数据投影到一个子空间中，然后使用该子空间的基向量进行重构和识别。目前，子空间方法主要有PCA、LDA和ICA等。我们的研究重点是PCA和LDA。在PCA中，使用奇异值分解将训练集的数据进行降维，去掉数据中的噪声和冗余信息，得到一个低维空间；在LDA中，通过最大化类内距离和最小化类间距离的方式，将数据进行降维，使得投影后的低维空间更加有利于区分不同类别的数据。 2.2 变换域方法 变换域方法是一种基于图像变换的人脸识别算法，该方法使用不同的变换将图像变换到一个新的域中，然后使用该域中的相应特征进行人脸识别。目前，变换域方法主要有离散余弦变换（DCT）、小波变换、离散傅里叶变换（DFT）等。我们的研究重点是小波变换。由于小波变换具有良好的局部化特性和多分辨率分析能力，因此可以更好地提取图像的特征，从而提高人脸识别的准确性。 3. 研究计划： 下一步，我们将继续深入研究子空间方法和变换域方法，探索不同算法之间的优劣势，并尝试将它们结合起来，以进一步提高人脸识别的准确性和鲁棒性。同时，我们还将对现有算法进行优化改进，如在训练集上加入噪声等方式，以使得算法对于噪声和其他干扰更具有鲁棒性。最终，我们将对优化后的算法进行大规模实验，以验证算法的可行性和效果。