人脸识别方法的研究

论文摘要

近年来,人脸识别已成为众多的身份验证方法中最容易接受的一种方法,具有更直接、更安全、更可靠和更有效的特点,具有极高的研究价值和应用价值,同时作为模式识别领域的重要课题之一,也是目前非常活跃的一个研究方向。本文首先详细介绍了人脸识别的预处理方法。预处理方法包括人眼的粗定位和精确定位、倾斜校正、人脸区域的裁剪、尺度归一化和灰度补偿等。在人眼的精确定位中,本文利用眼睛的灰度和形状信息,结合Sobel算子和Hough变换检测圆形的原理来定位眼睛中心位置,来实现眼睛的精确定位;在进行尺度归一化时,采用双线性插值方法进行尺度归一化和直方图均衡化方法实现灰度补偿。然后,本文详细介绍了分块主成分分析(Modular Principle Component Analysis, MPCA)的人脸识别方法和奇异值分解(Singular Value Decomposition, SVD)的人脸识别方法。MPCA提取的特征向量具有很强的分类鉴别能力,但它对位移、旋转等几何变化比较敏感,在图像平移、旋转和其他一些几何变换后识别率严重下降;SVD是一种有效的代数特征提取方法,用奇异值描述的图像特征,具有位移不变性、旋转不变性等优点,但它本身又存在信息量不足的缺点。因此,本文提出采用MPCA和SVD相结合的人脸识别算法,以SVD特征的几何不变性来克服分块MPCA的几何变化敏感性,以MPCA特征的强分类鉴别能力弥补SVD特征信息量的不足,期望获得更好的识别效果。实验结果表明,本文提出的采用MPCA和SVD相结合的人脸识别算法,能有效地提高识别率。

论文目录

• 中文摘要
• 英文摘要
• 1 绪论
• 1.1 课题研究的背景及意义
• 1.2 人脸识别的研究进展与现状
• 1.2.1 人脸识别的研究进展
• 1.2.2 人脸识别的研究现状
• 1.3 本文研究的主要内容
• 1.4 本文的结构安排
• 2 人脸图像预处理
• 2.1 人眼的定位
• 2.1.1 人眼水平位置的粗定位
• 2.1.2 人眼的精确定位
• 2.2 人脸图像的归一化
• 2.2.1 人脸图像的倾斜校正
• 2.2.2 人脸图像的裁剪
• 2.2.3 尺度归一化
• 2.2.4 灰度补偿
• 2.3 本章小结
• 3 人脸识别
• 3.1 基于主成分分析的人脸识别
• 3.1.1 K-L 变换
• 3.1.2 最小距离分类器
• 3.1.3 PCA 人脸识别
• 3.2 分块主成分分析
• 3.3 奇异值分解
• 3.4 分块PCA 和奇异值分解相结合的算法
• 3.4.1 融合的依据
• 3.4.2 算法流程图与步骤
• 3.5 本章小结
• 4 实验结果与分析
• 4.1 实验1
• 4.1.1 标准人脸库
• 4.1.2 实验结果与分析
• 4.2 实验2
• 4.2.1 自建人脸库
• 4.2.2 实验结果与分析
• 4.3 本章小结
• 5 总结
• 致谢
• 参考文献
• 附录
• A 研究生期间发表或录用的论文