基于优化的贝叶斯人脸识别方法

论文摘要

人脸识别是应用数学、数字图像处理和模式识别的交叉学科,是生物特征识别中一个比较活跃的领域。生物特征是人的内在属性,具有很强的自身稳定性和个体差异性,因此它是身份验证的理想依据。其中,利用人脸特征又是最自然直接的手段,与相比其它生物特征相比,它具有直接、友好、方便等优点。人脸识别过程一般可以分为人脸的检测和预处理、特征提取、匹配识别三个部分。本文对特征提取、匹配识别这两个过程做了较为详细的介绍。特征提取是人脸识别中的根本问题,提取的特征应保证最具有代表性、信息量大、冗余量小,而且要求在干扰下也能保持一定的不变性和适应性。在本文中主要介绍了主元素分析、线性判别分析以及这几种方法相结合的特征提取方法。通过实验并对这几种方法的性能进行了比较。识别匹配部分主要介绍了基于贝叶斯的人脸识别方法,由于模式矢量的维数太大,所以首先我们要使用主元素分析的方法进行降低维数,在选择类内子空间时我们加上自适应因子,这样得到的特征能够更好地描述图像特征的差异,从而提高了识别率。我们还介绍了一种最大信息协方差矩阵估计的方法,将其应用在贝叶斯识别方法中不仅解决了小样本问题而且大大提高了识别率。

论文目录

• 摘要
• ABSTRACT
• 第1章 绪论
• 1.1 人脸识别研究的内容
• 1.2 人脸识别的发展过程与现状
• 1.3 人脸识别的应用及其意义
• 1.3.1 人脸识别的应用
• 1.3.2 人脸识别的意义
• 1.4 人脸识别的技术挑战和发展趋势
• 1.4.1 人脸识别的技术挑战
• 1.4.2 人脸识别的技术趋势
• 1.5 本文的主要工作
• 第2章 基于子空间的特征提取方法
• 2.1 引言
• 2.2 基于主成分分析的人脸识别方法
• 2.2.1 主成份分析方法的主要原理
• 2.2.2 主元素分析方法的算法实现
• 2.3 基于线性判别分析的特征提取方法
• 2.3.1 线性判别分析的基本原理
• 2.3.2 线性判别分析方法的算法实现
• 2.4 基于奇异值分解的特征提取方法
• 2.4.1 奇异值分解的主要原理
• 2.4.2 奇异值特征向量的重要性质
• 2.4.3 基于奇异值和奇异值向量组合方法
• 2.4.4 基于局部奇异值分解和的特征提取方法
• 2.5 各种距离度量准则
• 2.6 实验结果及其分析
• 2.7 小结
• 第3章 基于贝叶斯的人脸识别方法
• 3.1 引言
• 3.2 基于贝叶斯的人脸识别方法的基本理论
• 3.2.1 基于贝叶斯的匹配准则以及公式推导
• 3.2.1.1 贝叶斯公式的基本形式
• 3.2.1.2 贝叶斯公式的简化推导
• 3.2.2 计算方法
• 3.3 自适应贝叶斯人脸识别方法
• 3.3.1 自适应贝叶斯人脸识别方法的基本原理
• 3.3.2 子空间距离准则
• 3.3.3 具体类内子空间的后验估计
• 3.4 最大信息量协方差矩阵估计的人脸识别方法
• 3.4.1 最大信息协方差矩阵估计的原理
• 3.4.2 最大信息量协方差矩阵估计解决小样本问题
• 3.5 本章小结
• 第4章 实验结果与其分析
• 第5章 总结与展望
• 参考文献
• 致谢