基于Curvelet技术与分形技术的人脸识别技术研究

论文摘要

伴随计算机和网络技术的快速发展,信息安全呈现出前所未有的重要性,而身份识别作为保证信息安全的前提条件,越来越被人重视。以人脸为对象的识别技术是一种最容易被接受的身份识别方法,因为其更高的安全性、可靠性和有效性,受到人们的广泛关注。小波技术、Curvelet技术和分形技术是近几年发展起来的新型图像处理工具,三种方法的结合在人脸识别领域更被得到了广泛的研究。本文采用小波、Curvelet和分形技术相结合的算法进行面部特征提取,即基于小波、Curvelet和分形技术的人脸识别技术。该方法利用小波变换获得了图像的对角方向、水平方向和垂直方向的细节边缘信息；利用Curvelet技术获得了图像在不同方向上的Curvelet中高频细节信息；利用分形技术求取所获得的细节信息的分形维数,以此作为人脸识别的特征；最后,采用BP神经网络分类器实现人脸的识别。基于JAFFE人脸数据库的实验结果表明,本文方法所提取的特征更加准确地反映了人脸之间的差异,很好地提高了人脸识别率。

论文目录

• 中文摘要
• Abstract
• 目录
• 第1章 绪论
• 1.1 人脸识别研究的背景
• 1.2 人脸识别研究的现状及意义
• 1.2.1 人脸识别研究的现状
• 1.2.2 人脸识别研究的意义
• 1.3 人脸识别研究的内容
• 1.4 论文的主要工作及内容安排
• 第2章 小波变换与Curvelet变换的基本理论
• 2.1 引言
• 2.2 小波变换的基本理论及在图像处理中应用
• 2.2.1 小波变换的基本理论
• 2.2.2 离散小波变换
• 2.2.3 多分辨率分析及Mallat算法
• 2.2.4 小波变换在图像处理中的应用
• 2.2.5 基于小波变换的人脸图像处理的关键问题
• 2.3 Curvelet变换的基本理论及在图像处理中应用
• 2.3.1 Curvelet变换的基本理论
• 2.3.2 离散Curvelet变换
• 2.3.3 离散曲波变换的实现方法
• 2.3.4 Curvelet变换在图像处理中的应用
• 2.4 本章小结
• 第3章 分形的基本理论
• 3.1 引言
• 3.2 分形的定义和性质
• 3.3 分形维数理论
• 3.3.1 豪斯道夫维数
• 3.3.2 盒维数
• 3.4 图像的分形维数计算
• 3.5 本章小结
• 第4章 神经网络的结构、学习算法及其设计
• 4.1 引言
• 4.2 神经网络基础理论
• 4.2.1 人工神经元
• 4.2.2 神经网络结构
• 4.2.3 神经网络的类型
• 4.3 BP神经网络
• 4.3.1 BP神经网络的结构
• 4.3.2 BP神经网络算法
• 4.3.3 BP算法的一些改进
• 4.4 BP神经网络分类器的设计中考虑的问题
• 4.5 本章小结
• 第5章 基于小波、Curvelet和分形技术的人脸识别技术
• 5.1 基于小波、Curvelet和分形技术的人脸识别算法
• 5.2 仿真及结果分析
• 5.3 本章小结
• 结论
• 参考文献
• 致谢
• 读学位期间发表论文