基于数据降维的人脸图像检索及识别

论文摘要

人脸图像检索和识别是目前人脸图像处理的两个研究热点。它们的关键技术是对人脸图像高维数据进行降维处理,得到有效的低维本质特征。论文重点研究人脸图像的数据降维方法,以得到有效的人脸检索和识别方法。论文主要从三方面展开研究:（1）对目前常用的数据降维方法进行介绍,分析了优缺点,并在高维数据集和人脸图像上进行实验,展示了降维效果。（2）提出了基于流形学习的彩色人脸图像检索方法,目的是为了得到有效的人脸图像低维本质特征,克服在人脸图像检索中数据量大、处理速度慢的缺点。首先将彩色人脸图像由RGB颜色空间转换到HSV颜色空间,计算它的HSV颜色直方图,然后采用ISOMAP算法对其进行降维处理,得到低维人脸图像数据特征,最后使用最近邻法进行检索。采用查全率和查准率作为衡量检索效果的有效参数。在彩色人脸图像数据库上的大量仿真实验表明,该算法有效地利用了人脸图像的颜色信息,与现有的一些方法相比具有计算量小、耗时短,易于实现等优点,且对于人脸表情分类的检索性能良好。（3）采用改进LDA方法与常规线性人脸识别方法PCA、PCA+LDA在ORL人脸数据库上的仿真实验结果进行比较,证明了改进LDA方法的有效性。它应用分类的思想,可得到最优低维特征,具有运算简便,识别率高等优点。设计并编程实现非线性数据降维算法ISOMAP、LLE的仿真界面,根据低维嵌入图讨论最佳邻域参数和降维维数的选择,力求得到理想的降维效果。最后采用两种算法在ORL人脸库上进行仿真实验,分析比较得到的识别率数据。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究背景和意义
• 1.2 国内外的研究现状
• 1.2.1 人脸图像检索的研究现状
• 1.2.2 人脸图像识别的研究现状
• 1.3 主要研究内容和论文结构安排
• 第二章 数据降维方法
• 2.1 数据降维的定义
• 2.2 线性数据降维
• 2.2.1 PCA算法原理
• 2.2.2 LDA算法原理
• 2.3 非线性数据降维
• 2.3.1 ISOMAP算法原理
• 2.3.2 LLE算法原理
• 2.3.3 LE算法原理
• 第三章 基于流形学习的彩色人脸图像检索
• 3.1 引言
• 3.2 彩色人脸图像颜色特征提取
• 3.2.1 颜色空间的选择
• 3.2.2 颜色直方图
• 3.3 特征降维—基于流形学习的ISOMAP算法
• 3.4 人脸图像的相似性度量—最近邻法
• 3.5 彩色人脸图像检索仿真实验
• 3.5.1 实验一
• 3.5.2 实验二
• 3.5.3 实验三
• 3.6 小结
• 第四章 基于数据降维的人脸图像识别
• 4.1 引言
• 4.2 基于线性数据降维的人脸图像识别
• 4.2.1 基于PCA人脸图像识别
• 4.2.2 基于PCA+LDA人脸图像识别
• 4.2.3 改进LDA人脸图像识别
• 4.3 基于非线性数据降维的人脸图像识别
• 4.3.1 基于ISOMAP人脸图像识别
• 4.3.2 基于LLE人脸图像识别
• 4.4 小结
• 第五章 结论和展望
• 5.1 主要结论
• 5.2 工作展望
• 参考文献
• 致谢
• 读学位期间所取得的相关科研成果