基于矩—傅里叶描述子人脸图像识别
基于深度学习的人脸识别与验证系统设计与实现
基于深度学习的人脸识别与验证系统设计与实现人脸识别与验证系统已经在各种领域得到广泛应用，从手机解锁、身份认证到安防领域的监控系统等。
而基于深度学习的人脸识别技术，凭借其出色的性能和良好的鲁棒性，成为当前最先进的人脸识别技术之一。
本文将探讨基于深度学习的人脸识别与验证系统的设计与实现。
一、人脸识别与验证技术原理基于深度学习的人脸识别与验证技术主要基于深度神经网络模型。
其基本原理可以分为两个主要阶段：1. 特征提取：使用卷积神经网络（CNN）对输入的人脸图像进行特征提取。
这一阶段的目标是通过网络的前几层提取出具有代表性的低维特征，例如面部的轮廓、眼睛、嘴巴等。
2. 特征匹配：通过计算比较提取出的人脸特征与已知数据集（例如人脸库）中的特征的相似性，确定输入人脸图像的身份。
常用的方法包括欧氏距离、余弦相似度等。
二、系统设计流程基于深度学习的人脸识别与验证系统设计一般可以分为以下几个步骤：1. 数据采集：收集足够数量的人脸图像数据作为训练集。
这些数据需要包括不同人的正面、侧面等不同角度的照片，以及不同光照、表情、遮挡等条件下的人脸图像。
2. 数据预处理：对采集到的人脸图像进行预处理，包括图像的归一化、人脸的对齐和裁剪等。
这一步骤的目的是让输入的人脸图像在尺寸、位置和姿态上具有一定的一致性，减小后续特征提取的难度。
3. 特征提取：使用深度学习模型对预处理后的人脸图像进行特征提取。
目前，常用的深度学习模型包括卷积神经网络（CNN）和深度残差网络（ResNet）等。
这些模型可以通过训练集的训练，自动学习到人脸图像的特征表示。
4. 特征匹配：通过计算输入人脸特征与已知数据集中的特征的相似性进行人脸识别或验证。
常用的方法有欧氏距离、余弦相似度等。
识别阶段是在人脸库中寻找最相似的特征，验证阶段则是判断输入人脸的特征与目标特征是否匹配。
5. 系统优化：对系统进行反复调优和验证，以提高系统的准确率和鲁棒性。
优化的方法包括调整模型参数、增加训练集规模、引入数据增强和模型融合等。
基于深度学习的人脸识别与验证技术
基于深度学习的人脸识别与验证技术近年来，随着深度学习技术的不断发展和人工智能领域的蓬勃发展，基于深度学习的人脸识别与验证技术成为了研究和应用的热点。
这种技术可以对输入的人脸图像进行准确的识别和验证，不仅在人脸识别系统、安全监控系统等领域有着广泛的应用，也在移动支付、人脸解锁等方面起到了重要的作用。
基于深度学习的人脸识别技术主要包括人脸检测、人脸特征提取和人脸匹配三个主要步骤。
首先，在人脸检测阶段，深度学习算法可以将图片中的人脸区域进行准确的定位和提取。
人脸检测技术主要采用卷积神经网络（Convolutional Neural Networks，CNN）进行实现，通过神经网络的层层连接和特定的卷积核提取图片特征，有效地实现了人脸的精确检测。
接下来，在人脸特征提取阶段，深度学习算法可以对从人脸检测阶段得到的人脸图像进行特征提取，将其表示为高维特征向量。
常用的特征提取网络包括基于卷积神经网络的深度特征提取模型（如VGGNet、ResNet）和基于Siamese网络的孪生网络。
这些网络通过层层堆叠的卷积层、池化层和全连接层，将人脸图像转化为固定维度的特征向量，以便后续的人脸匹配过程。
最后，在人脸匹配阶段，深度学习算法可以通过比较两个人脸图像的特征向量的相似度来判断它们是否属于同一个人。
常用的人脸匹配算法有欧氏距离、余弦相似度等。
基于这些算法的人脸匹配系统可以在海量的人脸库中快速地匹配出与目标人脸最相似的人脸。
尽管基于深度学习的人脸识别技术取得了巨大的进展，但仍然存在一些挑战和问题。
首先，对于光照、姿态、表情等造成的人脸图像变化，算法的鲁棒性仍有待提高，较大的图像变化可能会导致识别准确率的下降。
其次，由于深度学习算法对计算资源的要求较高，实时性的需求尚未完全得到满足。
此外，由于人脸识别技术会涉及到个人隐私的问题，对数据的安全性和隐私保护也应引起重视。
为了解决这些问题，研究人员正在不断进行改进和创新。
一方面，他们致力于开发更加鲁棒的深度学习算法，通过引入更多的数据增强技术、预训练模型和监督学习策略等，提高算法的鲁棒性和准确率。
使用MATLAB进行人脸识别的基本原理
使用MATLAB进行人脸识别的基本原理人脸识别是一种应用广泛的生物特征识别技术，它通过对人脸图像进行分析和比对，来判断图像中的人脸是否与已知的人脸相匹配。
随着计算机视觉和模式识别技术的发展，人脸识别技术已经在安全领域、人机交互、社交媒体等方面得到广泛应用。
在人脸识别的研究中，MATLAB是一个非常有用的工具。
它提供了强大的图像处理和模式识别相关的函数和工具箱，可以方便地实现人脸识别算法的原理。
本文将介绍使用MATLAB进行人脸识别的基本原理，包括人脸图像的预处理、特征提取和分类方法。
1. 人脸图像的预处理在进行人脸识别之前，首先需要将人脸图像进行预处理，以提高后续的识别效果。
预处理包括人脸检测、人脸对齐和人脸裁剪等步骤。
人脸检测是最基本的预处理步骤。
它的目的是从图像中准确地检测出人脸区域。
在MATLAB中，可以使用现成的人脸检测算法，如Viola-Jones算法和基于深度学习的卷积神经网络。
这些算法可以在MATLAB的计算机视觉工具箱中找到，可以很方便地实现。
人脸对齐是为了保证后续的特征提取和分类算法对人脸具有良好的可比性。
在人脸对齐步骤中，通常需要将检测到的人脸图像进行标准化处理，如旋转、缩放和平移等。
MATLAB提供了丰富的图像几何变换函数和工具箱，可以方便地实现这些操作。
人脸裁剪是为了去除图像中的多余背景，并将人脸图像转化为统一大小和灰度值范围。
在MATLAB中，可以使用图像剪裁函数和变换函数来完成这一步骤。
同时，还可以对图像进行直方图均衡化、归一化和滤波等处理，以进一步提升识别效果。
2. 特征提取特征提取是人脸识别中最重要的步骤之一。
它的目的是从人脸图像中提取出具有代表性的特征向量，以实现对人脸的唯一性描述。
在MATLAB中，可以使用各种图像处理和模式识别函数来进行特征提取。
常用的特征提取方法包括主成分分析(PCA)、线性判别分析(LDA)、局部二值模式(LBP)和人脸描述子(Face Descriptor)等。
人脸识别的特征提取方法简单案例
人脸识别的特征提取方法简单案例人脸识别是一种基于计算机视觉的技术，用于识别和验证人脸的身份。
其中，人脸识别的特征提取是实现人脸识别的关键步骤之一。
本文将列举10个常用的人脸识别特征提取方法，并对每种方法进行简要的介绍。
1. 主成分分析（Principal Component Analysis，PCA）主成分分析是一种常用的特征提取方法，它通过线性变换将原始的高维人脸图像转换为低维的特征向量。
PCA通过对图像协方差矩阵进行特征值分解，得到一组主成分，即特征脸。
每个特征脸都是一个特征向量，可以用来表示人脸图像。
2. 线性判别分析（Linear Discriminant Analysis，LDA）线性判别分析是一种常用的人脸识别方法，它通过最大化类间散布矩阵和最小化类内散布矩阵的比值，来寻找一个投影方向，使得同一类别的人脸图像尽可能接近，不同类别的人脸图像尽可能远离。
这个投影方向可以用来提取人脸的特征。
3. 局部二值模式（Local Binary Patterns，LBP）局部二值模式是一种基于纹理特征的人脸识别方法，它通过比较中心像素与周围像素的灰度值大小，将每个像素点转换为一个二进制数，然后将二进制数串联起来形成一个特征向量。
LBP可以有效地捕捉人脸的纹理信息，对光照变化和表情变化具有较好的鲁棒性。
4. 高斯混合模型（Gaussian Mixture Model，GMM）高斯混合模型是一种常用的概率模型，用于对人脸图像进行建模。
GMM可以将人脸图像表示为一组高斯分布的加权和，每个高斯分布代表一个人脸的特征。
通过对训练样本进行参数估计，可以得到每个人脸的特征向量。
5. 尺度不变特征变换（Scale-Invariant Feature Transform，SIFT）尺度不变特征变换是一种常用的图像特征提取方法，它可以提取出图像中的尺度不变特征点。
SIFT通过在不同尺度和方向上计算图像的梯度信息，然后对梯度信息进行描述，得到每个特征点的特征描述子。
an image moment-based method -回复
an image moment-based method -回复什么是基于图像矩的方法，并介绍其原理和应用。
图像矩是图像处理中一种用于度量和描述图像特征的数学工具。
基于图像矩的方法能够提供有关图像形状、纹理和亮度等特征的有用信息，并在许多领域中得到广泛应用，如计算机视觉、图像识别、目标跟踪等。
本文将一步一步回答以下问题：什么是图像矩？基于图像矩的方法原理是什么？基于图像矩的方法在实际应用中有哪些具体的应用场景？首先，我们来了解一下什么是图像矩。
图像矩是通过对图像像素灰度值的运算得到的一类统计特征。
它们呈现了图像的几何形状、重心、边界曲线等信息。
图像矩可用于计算图像的几何矩，如面积、重心、惯性矩、边界曲率等。
最常用的图像矩是灰度矩，可以通过计算像素的灰度值与其坐标的函数来获取。
基于图像矩的方法的原理主要包括以下几个步骤：预处理、计算图像矩、特征提取和分类。
首先，对原始图像进行预处理，如灰度化、降噪、边缘检测等，以便提高图像处理的效果。
接下来，计算图像的各种矩，如零阶矩、一阶矩、中心矩等。
图像的零阶矩是图像中非零像素的个数，一阶矩是图像的总体灰度值。
然后，根据计算的图像矩，提取感兴趣的特征。
这些特征可以包括图像的形状、纹理、亮度等信息。
最后，将提取的特征输入到分类算法中进行图像分类或目标检测。
基于图像矩的方法在实际应用中有着广泛的应用场景。
以下是一些具体的应用案例：1. 图像识别：基于图像矩的方法可以用于图像识别，如人脸识别、车牌识别等。
通过计算和比较图像的矩特征，可以实现对不同对象的识别和分类。
2. 目标跟踪：在视频监控系统中，可以使用基于图像矩的方法进行目标跟踪。
通过计算目标的矩特征，并与已知目标的特征进行匹配，可以实现对目标的准确跟踪和定位。
3. 图像重建：基于图像矩的方法可以应用于图像的重建和恢复。
通过计算图像的矩特征，可以对损坏的图像进行修复，并还原被破坏部分的信息。
4. 图像分割：基于图像矩的方法可以用于图像的分割和边界检测。
《基于MATLAB的人脸识别算法的研究》范文
《基于MATLAB的人脸识别算法的研究》篇一一、引言人脸识别技术是近年来计算机视觉领域的研究热点之一，其在安全监控、身份认证、人机交互等领域具有广泛的应用前景。
MATLAB作为一种强大的数学计算软件，为研究者提供了便捷的人脸识别算法实现平台。
本文旨在研究基于MATLAB的人脸识别算法，分析其原理、实现过程及性能，为相关领域的研究和应用提供参考。
二、人脸识别算法概述人脸识别算法主要包括预处理、特征提取和匹配识别三个阶段。
预处理阶段主要对原始图像进行灰度化、降噪、归一化等操作，以便提取有效的特征。
特征提取阶段通过提取人脸的特征信息，如形状、纹理、空间关系等，形成特征向量。
匹配识别阶段将提取的特征向量与已知人脸库中的数据进行比对，找出最相似的结果。
三、基于MATLAB的人脸识别算法实现1. 预处理阶段在MATLAB中，可以使用内置的图像处理函数对原始图像进行预处理。
首先，通过rgb2gray函数将彩色图像转换为灰度图像，以减少计算量。
然后，使用imnoise函数添加适当的噪声，模拟实际环境中的干扰因素。
接着，通过imresize函数对图像进行归一化处理，以便进行后续的特征提取。
2. 特征提取阶段特征提取是人脸识别的关键步骤。
在MATLAB中，可以使用多种方法进行特征提取，如主成分分析（PCA）、局部二值模式（LBP）、方向梯度直方图（HOG）等。
本文以PCA为例，介绍其实现过程。
首先，将预处理后的图像转换为矩阵形式，并计算协方差矩阵。
然后，通过特征值分解求得主成分，即特征向量。
最后，将原始图像投影到特征空间，得到特征向量。
3. 匹配识别阶段匹配识别阶段需要将提取的特征向量与已知人脸库中的数据进行比对。
在MATLAB中，可以使用欧氏距离、余弦相似度等指标进行相似度度量。
本文采用欧氏距离作为相似度度量指标，通过计算测试样本与已知样本之间的距离，找出最相似的结果。
四、实验结果与分析本文使用ORL人脸数据库进行实验，对比了不同特征提取方法在人脸识别中的性能。
【国家自然科学基金】_傅里叶描述子_基金支持热词逐年推荐_【万方软件创新助手】_20140730
2008年 序号 1 2 3 4 5 6 7 8 9
科研热词 火焰形状 火焰图像 氧化铝回转窑 模式识别 微分几何 平均曲率 共生矩阵 傅里叶描述子 cbir
推荐指数 1 1 1 1 1 1 5 6 7 8
科研热词 颜色特征 距离直方图 手势识别 手势建模 感兴趣区域 形状上下文描述子 几何特征 傅里叶描述子
2013年 序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28
科研热词 图像检索 傅里叶描述子 颅像重合 重采样 距离直方图 谱聚类 薄膜振动 若尔当曲线 背景差分 纹理匹配 类内类间距离 窄带模型 离散fourier变换 相关系数 机械设计图 曲线匹配 形状特征 形状描述 基于内容的检索 图像处理算法验证 图像分割 医学图像分割 几何学 傅里叶变换 中心距 k均值聚类 hu不变矩 helmholtz方程
推荐指数 2 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
2014年 序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
2014年 科研热词 语义标注 计算机视觉 水果 椭圆傅里叶描述子 形状识别 形状描述 异常行为识别 头饰分类 多级夹角函数 图像检索 图像处理 唐卡检索 动态能量描述子 动作能量图 分级检索系统 分层识别算法 傅里叶描述子 推荐指数 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
2012年 序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26
《基于MATLAB的人脸识别算法的研究》范文
《基于MATLAB的人脸识别算法的研究》篇一一、引言人脸识别技术是计算机视觉领域的重要分支，随着科技的发展和大数据的普及，其在安全监控、身份认证、智能交互等领域得到了广泛的应用。
本文旨在基于MATLAB平台，研究并分析几种常见的人脸识别算法，并对其性能进行对比与评价。
二、人脸识别算法概述人脸识别算法主要包括基于特征的人脸识别算法和基于深度学习的人脸识别算法两大类。
其中，基于特征的人脸识别算法如主成分分析（PCA）、线性判别分析（LDA）、局部二值模式（LBP）等，通过提取人脸特征进行识别；而基于深度学习的人脸识别算法如卷积神经网络（CNN）等，通过深度学习技术自动提取人脸特征并进行识别。
三、基于MATLAB的人脸识别算法实现1. 数据准备：使用MATLAB的Image Acquisition Toolbox获取人脸图像数据，并进行预处理，包括灰度化、归一化等操作。
2. 特征提取：采用PCA、LDA等算法提取人脸特征。
在MATLAB中，可以利用其内置的函数或编写自定义函数进行特征提取。
3. 分类器设计：根据提取的特征，设计分类器进行人脸识别。
在MATLAB中，可以使用其内置的分类器函数或自行设计分类器。
4. 算法实现：将上述步骤组合起来，实现基于MATLAB的人脸识别算法。
四、常见人脸识别算法的比较与分析1. PCA算法：PCA是一种常用的特征提取方法，能够有效地降低数据的维度，提高识别的速度和准确性。
但PCA算法对光照、表情等因素的敏感性较高，需要结合其他技术进行优化。
2. LDA算法：LDA算法通过最大化类间距离和最小化类内距离来提取特征，具有较好的分类性能。
但LDA算法对样本数量的要求较高，样本数量不足时可能导致性能下降。
3. CNN算法：CNN是一种基于深度学习的人脸识别算法，能够自动提取人脸特征并进行识别。
CNN算法具有较高的准确性和鲁棒性，但需要大量的训练数据和计算资源。
五、实验与结果分析为了验证上述人脸识别算法的性能，我们进行了多组实验。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
ｉ１ｇ ｎ ｅ ａ ｏ ｒ ｎ ｆ ｒ Ｔ ｅ ｐ ｌ ｏ ｒｅ 一仕ａｌ Ｉａ ｅ ｕ ｄ ｒ Ｒ ｄ ｎ ｔ ｓｏ ｍ． ｈ ｎ Ｗｅ ａ ｐ ｙ Ｆ ｕ ｉｒ ｌ ａ ｒ
Ｗ ｓ ｅ ｗ ｉ ｈｅ ｕ ｌｄ ａ ｅ ｕ ｅ ｔ ｅｇ ｔｄ Ｅ ｃ ｉｅ ｎ—ｄ ｓ ｎ ｅ ａ ｈ ｔ ｏ ｆ ａ ｅ ｉ ｇ ｅ ｏ ｎｔ ｎ． ａ ｔｔｅ ｅ ｐ ｒ ｎａ ｅ ｎ ｔｓ ｏ ｓ ｔ ａ ｅ ｍｅｈ ｄ ｉ ｐ ｏ ｉ ｅ ｈ ｉｔ ｃ ｓｔｅ ｍｅｈ ｄ ｏ ｆ ｃ ｍａ ｅ ｒ ｃ ｇ ｉ ｏ Ａｔｌｓ ｈ ｘ ｅ ｉ ａ ｉ ｍｅ ｔｌｒｓ ｅ ｈ ｗ ｈ ｔｔ ｔ ｏ ｓ ｒｖｄ ｄ ｈ ｗ ｔ ｈ ｒ ｃ ｒｏ ｉ ｈ ｐ ｅ ｉｉｎ ｉ ａ ｃ ａａ ｔ ｆｈｇ ｒｃ ｓｏ ． ｈ ｅ Ｋｅ ｗｏ ｄ ｙ ｒｓ Ｒ ｄ ｎ ｔ ｎ ｆｒ ａ ｏ ｒ ｓｏ ｍ Ｍｏ ｎ — Ｆ ｕ ｉ ｒｄ ｓ ｒ ｔ ｒ Ｆ ｃ ｍａ ｅ ｒ ｚ ｇ ｉ ｏ Ｍａ ｒ ｆ ｍｅ ｔ ｅ ｔ ｒ ａ ｍｅ ｔ ｏ ｒｅ ｅ ｃ ｐ ｏ ａ ｅ ｉ ｇ ￣ ｏ ｎｔ ｎ ｉ ｉ ｔ ｘ ｏ ｍｏ ｎ ａｕ ｅ ｉ ｆ
（） ２
而对矩 特 征 矩 阵 按 行 向量 进 行 傅 里 叶 变 换 组 成 矩一 傅
里 叶描 述子 特 征 矩 阵 。 采 用 二 个 矩 阵 之 间 的 加 权 欧 氏
３ 矩 特征 抽取
由于 在 本 原 坐 标 系 之 下 的矩 具 有 平 移 ， 转 和 尺 旋
距 离作 为 矩 一傅 里 叶描 述 子特 征矩 阵 之 间 的 距 离 ， 作 并
里 叶变换组 成矩 一傅 里 叶描述 子特 征 矩 阵， 采用 矩 阵的加 权 欧 氏距 离作 为 人脸 图像 的 匹配识别 的算 法， 生较 好 的结果 。 产 关键词 Ｒ ｄｎ变换 矩 一傅 里 叶描述 子 ａｏ 人 脸 图像识 别 矩特 征矩 阵
Ａ ＦＡＣＥ ＭＡ ＧＥ Ｉ ＲＥＣｏＧ舸
Ａｂ ｔ ａ ｔ ｓｒ ｃ
Ｉ ｈ ｓａ ｔ ｌ ｕ ｏ ｗ ｒ ｔ ｏ ｆ ｘｒｃ ｉｇ ｔ ｅｍｏ ｎ ｅ ｔｒ ｆ ｇ ｙ ｗ ｉ ｈ Ｗ ａ ｅ ｍｅ ｔ ｅ ｔｒ ｔ ｘ ｏ ｈ ｎ ｔｉ ｒ ｃｅ Ｗｅ ｐ ｔ ｒ ａｄ ａ ｍｅｈ ｄ ｏ ｅ ｔ ｔ ｍｅ ｔ ａ ｕ ｅ ｏ ａ ｉ ｅ ｂ ｈ ｃ ｅ ｃ ｎ ｇ ｔａｍｏ ｎ ａｕ ｅ ｍａｒ ｆｔｅ ｉ ｆ ａ ｎ ｈ ｆ ｍａ ｆ ｉ ｎ ｔ ＇ ｒｗ ｅ ｔｒａ ｄ ｇ ｔ ｈ ｍｅ ｔ ｏ ｒ ｒ ｅ ｃ ｉｔｒ ｅ ｔｒ ｔ ｘ Ｂｙ ｎ Ｗ 。 ｏ ｉ ｓ ｏ ｖ ｃｏ ｎ ｅ ｅ ｍｏ ｎ －ｆｕ ｉ ｓ ｒ ｏ ｓｆ ａｕ ｅ ｍａ ｒ ｔ ｔ ｅ ｄ ｐ ｉ ｏ
维普资讯
基 于 矩 一傅 里 叶 描 述 子 人 脸 图 像 识 别
王耀明 崔新春 刘 挺
（ 海 师范大 学理工 信息学 院 上 上 海 ２ ２４ ￣ ３）
摘
要
本 文介 绍 了在 Ｒ ｄ ｎ变换 下 的 图像 矩特 征 的抽 取 方 法， 得到 图像 的 矩特 征 矩 阵 ； 而对 矩特 征 矩 阵按 行 向量进 行 傅 ａｏ 并 进
般 采 取 规 范 化 的 ｇ（ ， 表 示式 ， 一１ ｔ １Ｏ ０＜ ｔ ） 即 ≤ ≤ ，≤
１ 前
言
２ 更 进 一 步讲 ， 某 个 固 定 的 ０ 丌； 对 函数 ｇ（ ， 简 写 成 ￡ ０）
ｇ（ ）则 （） 写 成 ： ｔ ， １可
Ｒｌ ｎ变换 是 图 像 分 析 和 信 号 重 构 中 的一 种 有 效 ｌｏ ｄ
ＯＮ ｎ Ｉ ） ＢＡｓ Ｄ ｏＮ Ｍ （ Ｄ 圈 ＲＳ
Ｍ ［ 口 Ｎ ｒ— ＦＯＩ ｍ Ｒ ０Ｍ Ｅ ｃ 瓜 ＤＥＳａ Ｅ
Ｗ ａ ｇ Ｙａ ｍｉ Ｃｕ ｎ ｈ ｎ Ｌｉ ｒｎ ｎ ｏ ｎｇ ｉＸｉ ｃ ｕ ｕ ｒｉｇ
（ ｏ ｅｏ ｃ ￣ ａｄ Ｉ ￣ Ｃ／ ￣ ｆｓ／ ｅ ｎ ｆ ｎ ｎＴｃｎ ｌ ｙ，ｈｎ ｈ ｉ ｏｍ ｌＵ ｉ ｒｔ Ｓ ，， ａ Ｏ ２４ ｅ ｏｏ Ｓ ａｇ ａ ｒ ａ ｎｔ ｓｙ，ｈ ，ｈ ｉ Ｏ３ ） ｈ ｇ Ｎ ｅｉ ｇ ２
，
ｔ
２ Ｒａ ｏ ｄ ｎ变 换
定义 １ 设 函 数 ｆ ， ） Ｄ） ， 平 面 上 Ｄ （ ｙ ∈Ｌ （ 中 在
ｆ ＾
三， ／
区域 中它 平 方 可 积 ， ／ ， 的 Ｒ ｄｎ变 换 ｇ（ ， ） 则 （ 夕） ａｏ ｔ ０
＝
图 ２
Ｒ（ ｙ 可表示如下 （ 图 １： ｆ ， ） 见 ）
方 法 。本 文利 用 Ｒｔ ｎ变 换 。 出 一 种 图像 矩 特 征 的抽 ／ｏ ｄ 提 取方 法 ， 以得 到 图 像 在 Ｒ ｄｎ变 换 下 的 矩 特 征矩 阵 ； ａｏ 进
ｇ（ ） （ ０） ｉ￡ ＝ｇ ＝
， ） ￡ Ｘ ｏＯ ｙ ［ 一（ ｃｓ
＋ｙｉＯ） ｄｄ ｓ ］ｘｙ ｎ
为 人脸 图像 的匹 配识 别 的算 法 ， 生 较 好 的结果 。 产
度 （ 范 化 下 ） 变 性 。所 以 ， 文 规 不 本 中首 先 对 图像 厂 ，，作 适 当 的 坐 （ ’ ） 标 变换 （ 附录 ） 使 之 处 于本 原 坐 见 ， 标 系 （ 原 点为 图像 矩 心 ） 下 ， 其 之 然 后 对它 作 （ ） 所 示 的 Ｒ ｄｎ变 换 ２式 ａｏ （ 图 ２所 示 ） 如 。把 ０～丌分 成 ｎ等
ｇ（ ， ） ｔ０ ：
，） ｔ ｙ ［ 一