基于多分类器的人脸识别算法的研究与实现

论文摘要

人脸检测和识别是目前生物特征识别中最受人们关注的一个分支,是当前图像处理、模式识别和计算机视觉领域内的一个热门研究课题,在公安部门罪犯搜索、安全部门动态监视识别、银行密码系统等许多领域有广泛的应用。它与计算机人机感知交互的研究领域有密切联系。首先,本文对人脸识别技术进行了分析,重点研究了人脸识别技术的背景、研究内容以及人脸识别的主要方法。本文实验主要在ORL和YALE人脸库上进行。通过主成分分析（Principal Component Analysis, PCA）,二维主成分分析（Two-dimensional Principal Component Analysis,2DPCA）等子空间特征提取方法对人脸图像进行特征提取。特征提取的结果将用于本文分类器的人脸识别。其次,针对现有的人脸分类方法本文进行了深入研究,然后通过欧式分类器,相关系数分类器,BP神经网络分类器,支持向量机分类器的“一对一”和“一对多”等方法进行人脸识别。所用到的分类方法都取得了较好的识别率。在ORL人脸库上,使用支持向量机分类器的“一对多”的方法识别率达到93.5%,支持向量机分类器“一对一”识别率达到90%,BP神将网络分类器的识别率达到93%,相关系数的识别率达到89.5%,欧氏距离识别率达到89.5%。最后,在ORL人脸库上,本文通过投票法,将支持向量机的“一对多”,相关系数,BP神经网络等三种分类器进行融合,多分类器的融合在一定程度上弥补了单个分类器的缺陷,取得了较好的识别效果。使每个主成分上的识别率都高于基于单个分类器的识别率,识别率最高达到94.5%。

论文目录

• 摘要
• ABSTRACT
• 第1章 绪论
• 1.1 人脸识别的概述
• 1.1.1 人脸识别的研究内容
• 1.1.2 人脸识别研究难点
• 1.1.3 人脸识别的应用
• 1.2 研究背景及意义
• 1.3 国内外研究现状
• 1.4 论文的主要工作
• 1.5 论文的组织结构
• 第2章 人脸识别特征提取和分类的相关技术
• 2.1 人脸图像库
• 2.2 人脸识别的特征提取方法
• 2.2.1 基于各种主成分的特征提取
• 2.2.2 基于Fisher脸法的特征提取
• 2.2.3 基于独立成分分析（ICA）的特征提取
• 2.3 人脸识别的分类方法
• 2.3.1 相关系数分类法
• 2.3.2 欧氏距离分类法
• 2.3.3 BP神经网络分类方法
• 2.3.4 支持向量机分类方法
• 2.4 本章小结
• 第3章 基于主成分分析的人脸识别特征提取算法的研究与实现
• 3.1 主成分分析（PCA）
• 3.1.1 主成分分析的基本原理
• 3.1.2 基于PCA人脸识别的特征提取
• 3.2 二维主成分分析（2DPCA）
• 3.2.1 2DPCA的原理
• 3.2.2 基于2DPCA人脸识别的特征提取
• 3.3 基于主成分分析算法的人脸识别实验
• 3.3.1 基于PCA的人脸识别实验
• 3.3.2 基于2DPCA的人脸识别实验
• 3.3.3 基于PCA和2DPCA的人脸重构
• 3.4 本章小结
• 第4章 基于BP神经网络的人脸识别分类算法的研究与实现
• 4.1 感知器
• 4.1.1 单层感知器
• 4.1.2 多层感知器网络
• 4.2 BP神经网络
• 4.2.1 BP神经元网络结构
• 4.2.2 BP神经元网络学习规则
• 4.2.3 BP神经网络的设计
• 4.3 基于BP神经网络分类算法的人脸识别实验
• 4.3.1 基于BP神经网络分类的人脸识别算法
• 4.3.2 BP神经元网络对人脸特征进行分类
• 4.3.3 实验结果
• 4.4 本章小结
• 第5章 基于支持向量机的人脸识别分类算法的研究与实现
• 5.1 支持向量机
• 5.1.1 线性支持向量机
• 5.1.2 非线性支持向量机
• 5.1.3 支持向量机的核函数
• 5.2 多分类支持向量机
• 5.2.1 多分类支持向量机概述
• 5.2.2 多类支持向量机算法
• 5.3 基于支持向量机分类器算法的人脸识别实验
• 5.3.1 SVM训练和测试步骤
• 5.3.2 核函数的确定与参数的选择
• 5.3.3 基于支持向量机"一对多"分类器算法的人脸识别实验
• 5.3.4 基于支持向量机"一对一"分类器算法的人脸识别实验
• 5.4 基于多分类器融合的人脸识别算法设计
• 5.4.1 分类器融合的原因
• 5.4.2 分类器融合的方法
• 5.4.3 基于多分类器融合的人脸识别实验结果及分析
• 5.5 本章小结
• 第6章 结论与展望
• 6.1 本文结论
• 6.2 下一步研究方向
• 参考文献
• 致谢