基于小波多层次LBP算法的生物特征识别与分类

论文摘要

生物特征(Biometrics)识别作为计算机视觉和模式识别中的一个重要内容,被广泛用于政府管理、银行安全、社会福利保障、电子商务、国防安全等重要领域。已经成为当今信息化的重要领域之一。目前多生物特征融合已成为生物特征识别技术中一项重要、有效的解决方案。本文从人脸和人耳识别出发,首先研究在单一生物特征下的识别效果,然后再融合两种生物特征进行识别实验。生物特征识别的关键问题之一是特征提取。本文在大量文献调研的基础上,为了更有效地提高生物特征的识别率,深入研究了针对图像纹理的局部二值模式(LBP)算法。在此算法的基础上,进一步采用了一种小波与多层次LBP算子复合特征提取算法。该算法首先利用小波对图像进行多尺度分解并把两幅低频近似图像合并成一幅多尺度综合图像。然后采用多层次LBP算子计算综合图像的特征值,得到多尺度多层次LBP特征谱直方图。最后将直方图作为特征用分类器进行分类识别。该算法分别在ORL及Yale人脸库中取得了100%和98.1%的高识别率,在Spain人耳库中也获得了98.04%的识别率。实验证明,此复合算法比其他传统算法有更高的识别率,同时还对表情、尺度和光照变化具有较高的鲁棒性。由于具有高的识别率,此种复合算法可以在计算机视觉(Computer vision)和身份鉴定方面找到广泛的用途。在生物识别中,分类器(算法)也是关键因素之一。除了有效的特征提取算法,不同分类器算法对分类精度也会有较大的影响。本文利用最邻近法(NN)和支持向量机(SVM)两种分类器在人脸识别、人耳识别和多生物特征识别中都进行了分类识别实验,并做了识别精度的对比。实验结果发现,NN在处理小样本数据时比SVM效果好,而面对大样本时,SVM有运算速度快的优势。当训练样本较多时,SVM能够计算出更为精确的分类模型,从而能够取得比NN更高的识别率。此外,本文还对人脸和人耳的多姿态情况进行了研究,重点分析了不同姿态下的训练样本对识别精度的影响。为测试有遮挡情况下的识别效果,利用本文提出的算法基于AR库进行了两种人脸遮挡实验,实验结果表明该算法提取的人脸特征在有遮挡情况下依然能够为识别提供较好的判别。最后论文通过多生物特征识别实验获得了比单一生物特征下更好的识别精度,不仅验证算法的有效性还说明该融合方法简单可行。利用本文算法,处理了国际著名6个数据库的3035幅人脸人耳库图片,进行了上千次的不同参数的实验研究和对比,获得了很高的识别率和满意的识别效果。在不同参数和算法中,实验和验证了多层次LBP特征、小波多层次LBP特征、不同小波基、不同分类器、不同核函数、在人脸和人耳识别、人脸人耳融合识别的作用和效果,获取了比较特性和结果。本论文的研究工作为后续研究提供了丰富、详实的实验数据和实验曲线。对相关的研究工作具有指导和参考意义。

论文目录

摘要

Abstract

图目录

表目录

第一章绪论

1.1 课题的研究背景及意义

1.1.1 人脸识别的背景及意义

1.1.2 模式识别中的生物特征识别技术

1.1.3 生物特征识别的基本原理过程

1.2 国内外研究现状

1.2.1 人脸识别技术概况

1.2.2 人耳识别技术概况

1.2.3 人脸人耳融合识别技术的国内外现状

1.3 本文的研究内容及组织安排

1.3.1 本文主要研究内容

1.3.2 论文结构安排

1.4 本文的主要创新点

第二章 LBP算法

2.1 LBP概述

2.2 旋转不变（Rotation Invariant）的LBP算子

2.3 LBP算子的均匀模式（Uniform pattem）

2.4 LBP算法的应用

2.5 本章小结

第三章小波多层次LBP算法

3.1 小波分解（Wavelet decomposition）的基本原理

3.1.1 多分辨分析（Multi-resolution analysis）

3.1.2 Mallat算法

3.2 人脸小波分解的特点

3.3 多层LBP算法

3.4 小波多层次LBP算法

3.4.1 LBP图谱的特点

3.4.2 小波多层次LBP算子特征提取流程

3.4.3 特征提取算法的程序实现

3.5 本章小结

第四章分类算法与分类器

4.1 k近邻分类器（k-NN）算法

4.1.1 采用最邻近分类器的实验流程

4.1.2 基于卡方距离的K邻近分类算法

4.2 支持向量机（SVM）分类器算法

4.2.1 支持向量机（SVM）

4.2.2 VC维理论和结构风险最小化（SRM）原理

4.2.3 SVM分类原理

4.2.4 SVM参数寻优

4.2.5 SVM算法的优点与不足

4.3 SVM分类器算法的程序实现

4.3.1 基于RBF核函数的支持向量机分类

4.4 本章小结

第五章基于小波多层次LBP的人脸识别

5.1 本论文实验数据（库）的总体描述

5.2 本论文规划的实验数目、编号和实验参数列表

5.3 无遮挡情况下人脸识别实验

5.3.1 基于ORL人脸库的实验

5.3.2 基于YALE人脸库的实验

5.4 有遮挡情况下的人脸识别实验

5.4.1 AR数据库中人脸上半部遮挡（戴墨镜）的识别

5.4.2 AR数据库中人脸下半部遮挡（系围巾）的识别

5.5 不同姿态（视角）下的人脸识别实验

5.5.1 FEI人脸库（0°角）的识别率

5.5.2 FEI人脸库（18°角）的识别率

5.5.3 FEI人脸库（36°角）的识别率

5.5.4 FEI人脸库（54°角）的识别率

5.5.5 FEI人脸库（72°角）的识别率

5.5.6 不同姿态下识别率总结

5.6 最邻近分类器与SVM分类器性能对比

5.7 本章小结

第六章基于小波多层次LBP的人耳识别

6.1 spain人耳库识别

6.1.1 基于最邻近分类

6.1.2 基于RBF核函数的SVM分类器

6.1.3 不同算法在Spain人耳库中识别精度的比较

6.2 多姿态人耳库识别实验

6.2.1 FEI人耳库的建立

6.2.2 FEI人耳库（0°角）的识别率

6.2.3 FEI人耳库（18°角）的识别率

6.2.4 FEI人耳库（36°角）的识别率

6.2.5 FEI人耳库（54°角）的识别率

6.2.6 不同姿态下识别率总结

6.3 本章小结

第七章基于小波多层次LBP的人脸人耳融合识别

7.1 人脸人耳结合的多生物特征识别

7.2 FEI人脸人耳融合识别实验

7.3 FEI人脸人耳融合识别实验结果对比

7.4 本章小结

第八章总结及展望

8.1 工作总结

8.2 不足及展望

致谢

参考文献/Reference

附录攻读硕士期间的研究成果

基于小波多层次LBP算法的生物特征识别与分类

论文摘要

论文目录

相关论文文献

猜你喜欢