基于视觉特征提取和核判决分析方法的人脸识别

基于视觉特征提取和核判决分析方法的人脸识别

论文摘要

人脸识别技术是模式识别领域的重要研究课题,这是由于人脸表情丰富、随年龄增长而变化,人脸图像受成像的光照、角度和距离等影响,人脸的自动识别非常困难,特别是要求机器在学习之后要有足够的泛化识别能力;同时人脸识别还涉及到图像处理、模式识别、生理学等知识。人脸识别广泛应用于人机交互、监控系统、门禁系统和档案管理等方面。人脸是具有自然相似结构,却又有弹性的局部可变形的非刚体目标,因此人脸识别的研究还有对大量同类目标识别问题具有推动作用。 人脸识别是一种特定内容的模式识别,从狭义上讲,就是将特定人脸上的特征提取和检测出来并与已知类别的标准样本的特征进行模式识别的操作,因此主要涉及特征提取和分类判决分析两方面。本文研究的工作主要是利用基于视觉特征提取方法,获得有效的人脸图像识别特征;并结合性能或速度改进了的核判决分析方法进行人脸图像识别。研究的内容主要包括:综合论述了人类视觉系统中与人脸识别有关的神经生理学和心理学研究成果;基于视觉皮层上皮细胞感受野的Gabor模型,提出了将递推Gabor滤波用于人脸图像特征的提取,并结合基于QR分解的核判决分析方法进行人脸识别的方法;基于视觉皮层上皮细胞感受野的高斯微分模型,提出了具有尺度和方向选择性的Hermite变换用于人脸图像特征的提取,并结合以类间分布最大化、总的分布最小化为准则的核判决分析方法进行人脸识别的方法;基于传输到人脑的视觉皮层的信号是压缩后具有傅立叶变换性质的信息,提出了在压缩域提取人脸图像的离散余弦特征描述,并结合零空间核判决分析方法进行人脸识别的方法;基于人类视觉系统被当作一个多通道模型进行描述,并且Marr理论指出信息处理的是分

论文目录

  • 摘要
  • ABSTRACT
  • 第一章 绪论
  • 1.1 人脸识别技术的发展背景
  • 1.2 人脸识别方法概述
  • 1.3 国内外研究动态
  • 1.3.1 国内研究现状
  • 1.3.2 国外研究动态
  • 1.4 人脸识别技术的发展趋势
  • 1.5 本文的主要研究内容
  • 1.6 小结
  • 第二章 人脸识别的视觉原理
  • 2.1 引言
  • 2.2 视觉原理
  • 2.2.1 视网膜对视觉信息的处理
  • 2.2.2 外膝体内的视觉信息处理
  • 2.2.3 视觉皮层的视觉信息处理
  • 2.3 人类视觉系统识别人脸的特点
  • 2.4 视觉系统模型
  • 2.5 小结
  • 第三章 基于 Gabor特征和核判决分析方法的人脸识别
  • 3.1 引言
  • 3.2 Gabor变换及 Gabor滤波器
  • 3.2.1 Gabor变换
  • 3.2.2 递推 Gabor滤波
  • 3.3 基于 QR分解的核判决分析方法
  • 3.3.1 线性判决分析方法
  • 3.3.2 矩阵的QR分解
  • 3.3.3 基于 QR分解的线性判决分析方法
  • 3.3.4 基于 QR分解的核判决分析方法
  • 3.4 算法的实现
  • 3.5 实验仿真
  • 3.6 结论
  • 第四章 基于 Hermite特征和核判决分析的人脸识别
  • 4.1 引言
  • 4.2 一维多项式变换
  • 4.3 一维 Hermite变换
  • 4.4 二维 Hermite变换
  • 4.5 多分辨 Hermite变换
  • 4.6 核判决分析方法
  • 4.7 算法的实现
  • 4.8 实验仿真
  • 4.9 小结
  • 第五章 压缩域基于离散余弦特征和零空间核判决分析方法的人脸识别
  • 5.1 引言
  • 5.2 压缩模型
  • 5.2.1 JPEG压缩
  • 5.2.2 MPEG压缩
  • 5.2.3 H.261压缩
  • 5.3 离散余弦变换
  • 5.4 DCT域的性质和运算
  • 5.5 人脸压缩图像的DCT特征描述
  • 5.6 零空间核判决分析方法
  • 5.6.1 零空间线性判决分析方法
  • 5.6.2 零空间核判决分析方法
  • 5.7 算法的实现
  • 5.8 实验仿真
  • 5.9 小结
  • 第六章 基于多分辨 MDCT特征与 Chernoff核判决分析方法的人脸识别
  • 6.1 引言
  • 6.2 多分辨分析
  • 6.3 改变的离散余弦变换
  • 6.4 图像的多分辨 MDCT
  • 6.5 Chernoff准则
  • 6.6 基于 Chernoff准则的核判决分析方法
  • 6.7 算法的实现
  • 6.8 实验仿真
  • 6.9 小结
  • 第七章 总结与展望
  • 7.1 全文工作总结
  • 7.2 进一步的工作
  • 参考文献
  • 攻读博士学位期间学术论文情况
  • 致谢
  • 相关论文文献

    • [1].沙化土地地理信息多维结构特征提取仿真[J]. 计算机仿真 2019(11)
    • [2].基于卷积神经网络特征提取的轻量级包装袋分类模型[J]. 塑料科技 2020(08)
    • [3].图片特征提取[J]. 中小企业管理与科技(中旬刊) 2017(03)
    • [4].六种常用的网络流量特征提取工具[J]. 计算机与网络 2017(06)
    • [5].浅议车牌识别中字符的特征提取方法[J]. 科技传播 2009(05)
    • [6].基于分级特征提取的货物分拣机器人目标自动识别系统设计[J]. 自动化与仪器仪表 2020(05)
    • [7].多模态生物特征提取及相关性评价综述[J]. 中国图象图形学报 2020(08)
    • [8].多传感器数据融合在船舶特征提取中的应用[J]. 舰船科学技术 2016(18)
    • [9].溯洄从之,一波三折——关于特征提取的教学实例与策略[J]. 中国信息技术教育 2020(07)
    • [10].基于局部加权的非线性特征提取方法[J]. 华中科技大学学报(自然科学版) 2013(S1)
    • [11].基于多特征提取的识别算法数学建模优化研究[J]. 哈尔滨师范大学自然科学学报 2013(04)
    • [12].一种新的基于瓶颈深度信念网络的特征提取方法及其在语种识别中的应用[J]. 计算机科学 2014(03)
    • [13].一种基于特征提取的简答题阅卷算法[J]. 湖南工程学院学报(自然科学版) 2010(01)
    • [14].基于改进符号序列熵的岸桥齿轮箱退化特征提取研究[J]. 机电工程 2020(02)
    • [15].基于自编码的特征提取方法在生物医学领域中的应用进展[J]. 中国卫生统计 2020(02)
    • [16].基于时变三维坐标重构的空间锥体目标微动特征提取方法[J]. 空军工程大学学报(自然科学版) 2020(02)
    • [17].基于特征提取和随机森林的风机故障诊断[J]. 科学技术创新 2020(26)
    • [18].互联网+嵌入式移动4G教学终端——农业病虫害特征提取系统的研究[J]. 电子技术与软件工程 2019(21)
    • [19].恶意流量特征提取综述[J]. 信息网络安全 2018(09)
    • [20].基于特征提取的图像相似度研究[J]. 信息系统工程 2016(01)
    • [21].基于敏感分量融合的液压泵退化特征提取方法[J]. 仪器仪表学报 2016(06)
    • [22].几种藏文字特征提取方法比较研究[J]. 信息与电脑(理论版) 2014(08)
    • [23].基于层次特征提取的文本分类研究[J]. 计算机应用与软件 2020(02)
    • [24].基于关联规则特征提取的心理大数据评估方法[J]. 周口师范学院学报 2020(02)
    • [25].基于三角函数迭代的视频数据特征提取[J]. 图学学报 2020(04)
    • [26].光纤安防监测信号的特征提取与识别研究综述[J]. 计算机工程与应用 2019(03)
    • [27].基于特征提取的绘本阅读机器人设计方案[J]. 电子制作 2019(15)
    • [28].基于特征提取及聚类算法的增量图片筛选系统[J]. 电视技术 2017(Z3)
    • [29].一种新颖的通信辐射源个体细微特征提取方法[J]. 电波科学学报 2016(01)
    • [30].一种基于链码的线特征提取方法[J]. 测绘科学 2014(09)

    标签:;  ;  ;  ;  ;  ;  

    基于视觉特征提取和核判决分析方法的人脸识别
    下载Doc文档

    猜你喜欢