基于增强2DPCA+PCA的人脸识别系统

论文摘要

人脸识别是通过计算机分析人脸图像,并从人脸图像中提取有效信息进行身份识别的过程。与指纹、视网膜、虹膜、基因等其它人体生物特征识别技术相比,人脸识别技术具有无需用户过多参与、非接触式的数据采集方式、对用户无任何损害、便于隐藏等优点,在国家安全、军事安全、民事和经济等领域得到了广泛的应用。人脸识别已成为当前人工智能和人体生物特征识别技术领域的一个重要发展方向。本文以构建一个静态人脸图像识别系统为目标对人脸识别的相关问题进行了深入研究,主要工作有以下四部分:?（1）人脸图像预处理。运用直方图均衡化、尺度归一化等方法对ORL人脸库图像进行了预处理。（2）人脸图像特征提取。本文分析了主成分分析（PCA）、二维主成分分析（2DPCA）和Fisher线性鉴别分析（FLD）三种方法的优缺点,根据其间存在的互补性,提出了增强2DPCA+PCA的人脸特征提取方法。（3）遗传神经网络分类器的设计。用遗传算法对BP神经网络分类器进行了优化,并对遗传算法进行改进,设计了并联型遗传神经网络分类器。（4）构建人脸识别系统。将输入图像模块、预处理模块、特征提取模块、神经网络分类模块组合成人脸识别系统,并对ORL人脸库中人脸图像进行实验。实验表明,基于增强2DPCA+PCA的人脸识别系统易于编程实现,识别率高,具有一定的应用价值。?

论文目录

• 中文摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究背景及意义
• 1.2 人脸识别的研究及发展现状
• 1.2.1 国内人脸识别方法研究及发展现状
• 1.2.2 国外人脸识别方法研究及发展现状
• 1.3 人脸识别技术的应用
• 1.4 人脸识别系统及难点
• 1.5 本文研究内容及结构安排
• 第二章 人脸识别预处理
• 2.1 人脸图像预处理的主要步骤
• 2.1.1 人脸图像的增强
• 2.1.2 归一化
• 2.2 ORL 人脸数据库
• 2.3 本章小节
• 第三章 人脸识别特征提取
• 3.1 小波变换
• 3.1.1 小波变换基础知识
• 3.1.2 二维小波变换
• 3.1.3 二维离散小波分解
• 3.1.4 小波变换在人脸图像处理中的应用
• 3.2 基于主成分分析（PCA）的人脸特征提取
• 3.3 基于二维主成分分析（2DPCA）的人脸特征提取
• 3.4 基于Fisher 线性鉴别分析（FLD）的人脸特征提取
• 3.5 基于2DPCA+PCA 的人脸特征提取
• 3.6 基于增强2DPCA+PCA 的人脸特征提取
• 3.7 本章小节
• 第四章 遗传神经网络分类器的设计
• 4.1 BP 神经网络
• 4.1.1 BP 神经网络的参数选择
• 4.1.2 BP 神经网络工作原理
• 4.1.3 BP 神经网络的特点
• 4.2 遗传神经网络
• 4.2.1 遗传算法概述
• 4.2.2 遗传算法的基本步骤
• 4.2.3 遗传算法的参数
• 4.2.4 遗传算法的特点
• 4.2.5 遗传算法和神经网络的结合
• 4.3 级联型遗传神经网络分类器设计
• 4.4 并联型遗传神经网络分类器设计
• 4.5 本章小结
• 第五章 人脸识别系统的设计与实现
• 5.1 本文设计的人脸识别系统
• 5.2 实验过程及结果
• 5.2.1 预处理阶段
• 5.2.2 特征提取阶段
• 5.2.3 BP 网络的设计过程
• 5.2.4 遗传算法的设计过程
• 5.2.5 遗传神经网络分类器的训练及结果
• 5.2.6 遗传神经网络分类器的识别及结果分析
• 5.3 本章小结
• 总结
• 参考文献
• 致谢
• 攻读硕士学位期间发表的论文