基于非下采样Contourlet变换的人脸识别技术研究

论文摘要

人脸识别一般可描述为给定一幅静止或动态图像,利用已有的人脸数据库来确认图像中的一个或多个人。人脸识别已经成为当前模式识别领域和人工智能领域研究的经典和热点问题,探索高识别率的人脸识别算法具有重要的理论意义和应用价值。小波变换具有良好的时域特性和频域特性,能够非常好地表示和分析图像信号,是目前国际上公认的信息获取与处理领域的新技术。小波变换在处理一维信号时具有优异的特性,但是,这种优势不能简单地推广到二维或更高维。小波变换在方向上的缺乏使得其不能充分描述图像特性,变换后信息缺失较大。Contourlet变换是一种新的多尺度几何分析方法,它不仅具有小波变换的多分辨率特性和时频局域特性,还具有很强的方向性和各向异性。非下采样Contourlet变换是Contourlet变换的改进,解决了Contourlet变换因下采样而不满足平移不变性和频谱泄漏及频谱混叠等缺陷,在图像表示上能更好地描述图像的细节信息。本文提出基于非下采样Contourlet变换和核Fisher鉴别分析(KFDA)的人脸识别方法,研究非下采样Contourlet变换与KFDA特征抽取和分类相结合的识别率；研究Contourlet变换和非下采样Contourlet变换进行人脸识别的识别率和识别时间的差异,同时提出基于非下采样Contourlet变换和支持向量机(SVM)的人脸识别方法。实验表明,非下采样Contourlet变换与KFDA相结合,能更好地表现图像的细节特征,较好的克服了Contourlet变换的缺点,可获得优异的识别率；由于SVM需要求解二次规化问题,因此在训练样本阶段的时间复杂度高于KFDA方法,而KFDA只计算矩阵的特征向量,计算量小,在大训练集条件下,消耗时间上具有明显的优势,特征提取效率比较高,分类正确率更高。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 课题研究的目的及意义
• 1.2 人脸识别方法及研究现状
• 1.2.1 人脸识别方法
• 1.2.2 国内外研究现状
• 1.3 本文研究内容及主要创新点
• 1.4 人脸数据库介绍
• 1.5 论文组织结构
• 第二章 Contourlet变换与非下采样Contourlet变换理论
• 2.1 引言
• 2.2 小波变换与多分辨率多尺度分析
• 2.2.1 小波变换
• 2.2.2 多分辨率多尺度分析
• 2.3 Contourlet变换
• 2.3.1 拉普拉斯金字塔分解
• 2.3.2 方向滤波器组滤波
• 2.4 非下采样Contourlet变换
• 2.4.1 非下采样塔形分解
• 2.4.2 非下采样方向滤波器组
• 2.5 非下采样Contourlet用于特征提取
• 2.6 本章小结
• 第三章 核Fisher鉴别分析与支持向量机方法
• 3.1 引言
• 3.2 Fisher判别分析（FDA）
• 3.3 核Fisher鉴别分析（KFDA）
• 3.4 支持向量机（SVM）
• 3.5 本章小结
• 第四章 基于非下采样Contourlet变换的人脸识别方法
• 4.1 引言
• 4.2 人脸图像的分解
• 4.2.1 人脸图像的Contourlet分解
• 4.2.2 人脸图像的非下采样Contourlet分解
• 4.3 核函数的选取和分类实现
• 4.3.1 核函数的选取
• 4.3.2 分类实现
• 4.4 基于非下采样Contourlet变换的人脸识别
• 4.4.1 非下采样Contourlet+KFDA
• 4.4.2 非下采样Contourlet+SVM
• 4.5 本章小结
• 第五章 实验与结论
• 5.1 引言
• 5.2 在ORL人脸数据库上的实验结果
• 5.3 在YALE人脸数据库上的实验结果
• 5.4 结论
• 第六章 总结与展望
• 6.1 总结
• 6.2 进一步研究的方向
• 参考文献
• 致谢
• 研究成果及发表的学术论文
• 作者与导师简介
• 硕士研究生学位论文答辩委员会决议书