论文题目: 大类别及少量训练样本的人脸识别问题研究
论文类型: 博士论文
论文专业: 模式识别与智能系统
作者: 张生亮
导师: 杨静宇
关键词: 人脸识别,模式识别,特征抽取,主分量分析,特征融合,线性鉴别分析,二维投影分析,虚拟样本,多级分类
文献来源: 南京理工大学
发表年度: 2005
论文摘要: 人脸识别是当前模式识别和图像处理领域的研究热点，属于生物鉴别技术(Biometrics)的一部分。人脸识别一般分为人脸检测、特征抽取和模式分类三个部分。人脸识别中常遇到的问题是样本维数高、类别数大以及每人只能提供少量的训练样本。针对这些问题该文进行了研究。 在训练样本较小时，向量形式的人脸识别是高维小样本问题，可以用奇异值分解定理减少计算量。可是由于人数众多，人脸识别并不是小样本问题。在类别较大的情况下如何有效地抽取特征是人脸识别的首要问题。二维投影利用表示图像的矩阵直接抽取特征，计算量主要与图像的大小有关，能适用于大类别的人脸识别。针对二维投影抽取出的特征是矩阵，存在特征之间的冗余度大、特征数量多、不利于存储和分类等弱点，该文通过两种办法进一步降低二维投影抽取出的特征数量。一是利用两次二维投影进行双向压缩，在横向压缩后，对矩阵转置后在纵向再压缩一次；另一种是对二维投影后的样本再作一次向量形式的特征抽取。还提出了一种基于类间散布矩阵的二维主分量分析方法，利用了已知的类别信息，比用总体散布矩阵效果更好。 人脸识别所有算法的识别率一般都与每个人的训练样本数正相关。但在实际应用中，要求每人提供多幅图像并不合理，常常每人只提供了一个训练样本。该文通过对称、平移、尺度和旋转等变换增加虚拟图像提高了识别率。通过对人脸图像的左右两边施行不同的尺度变换，由正面人脸图像可以生成出人脸旋转一定角度的近似图像，作为增加的训练样本。在增加虚拟样本后，解决了类内散布矩阵为零的问题，使得基于Fisher准则的各种方法对单训练样本的人脸识别也可以使用。在FERET人脸库和ORL人脸库上的实验表明，通过增加虚拟图像对提高识别率作用显著。 人脸识别中类别数特别多，要想用一种特征一次性把所有类别都分开是不现实的。该文提出了一种树型结构的多级分类的方法。使用快速的二维投影方法，在大范围内找出每一个待识样本的若干候选类别，再分别对待识样本在其相应的候选类别内进行特征抽取和识别，减小了匹配范围提高了识别率。在FERET人脸库上的实验表明，经筛选后在候选类别中识别的正确率有12％以上的提高。该文提出了用均值和方差对图像进行光照标准化的方法。 不同方法抽取的特征反映了模式对象在不同标准下的样本的本质和分类能力。在一种特征空间很难区分出来的样本，可能在另一特征空间里可以很容易地分开。因此，将不同方法抽取的特征有机地结合在一起，就可能得到更好的分类性能。经
论文目录:
摘要
ABSTRACT
目录
1 绪论
1.1 人脸识别概述及研究意义
1.1.1 人脸识别的应用领域
1.1.2 人脸识别的一般过程
1.2 人脸检测概述
1.2.1 基于知识的方法
1.2.2 基于人脸的不变特征的方法
1.2.3 模板匹配的方法
1.2.4 基于统计模型的方法
1.3 人脸识别特征抽取
1.3.1 抽取直观几何特征
1.3.2 代数特征抽取
1.4 人脸识别方法
1.4.1 基于线性投影的方法
1.4.2 基于核的非线性投影鉴别分析方法
1.4.3 其他的人脸识别方法
1.4.4 人脸识别常用的数据库及性能评价
1.5 本文研究工作概述
1.6 本文的内容安排
2 二维投影特征抽取及特征矩阵的再压缩
2.1 引言
2.2 基于类间散布矩阵的二维主分量分析
2.2.1 一些基本概念及主分量分析
2.2.2 二维投影的理论及其散布矩阵
2.2.3 基于类间散布矩阵的2DPCA
2.2.4 实验与分析
2.3 双向压缩的二维特征抽取算法
2.3.1 二维投影特征抽取
2.3.2 第二次特征抽取与图像重构
2.3.3 实验与分析
2.4 二维投影与一维方法相结合的特征抽取算法
2.4.1 2DPCA加 PCA的方法
2.4.2 实验与分析
2.5 本章小结
3 对单训练样本的人脸识别问题的研究
3.1 单样本人脸识别研究的意义
3.2 增加训练样本的常用方法
3.2.1 镜像与对称变换
3.2.2 尺度变换
3.2.3 平移及旋转变换
3.3 通过积分投影增加虚拟样本
3.4 模拟姿态改变的虚拟图像
3.5 实验与分析
3.5.1 在 ORL人脸库上的实验
3.5.2 ORL库上的实验结果分析
3.5.3 在 FERET人脸库上的单样本识别
3.5.4 FERET库上的实验分析
3.6 本章小结
4 利用两类投影方法进行特征融合的人脸识别
4.1 引言
4.2 两类不同的的投影方法
4.2.1 基于向量的特征抽取方法
4.2.2 直接基于矩阵的特征抽取方法
4.3 两种特征的融合策略
4.4 融合实验
4.5 本章小结
5 基于多级分类的大类别人脸识别问题研究
5.1 引言
5.2 大范围内候选类别的选取策略
5.2.1 大类别系统的分割
5.2.2 k最小距离分类器
5.3 在小类别中的识别研究
5.4 一种光照强弱的标准化方法
5.5 在 FERET人脸库上的实验
5.5.1 训练样本与测试样本的选择
5.5.2 候选类别的选择
5.5.3 在全部类与候选类中识别对比
5.6 小结
结束语
致谢
参考文献
攻读博士期间完成的论文
发布时间: 2006-12-06
参考文献
- [1].单训练样本约束下人脸识别方法研究[D]. 楚永杰.东南大学2018
- [2].二维及双模态融合的单训练样本人脸识别技术研究[D]. 李欣.哈尔滨工程大学2011
- [3].基于迁移学习的多类物体识别与检测[D]. 张雪松.大连理工大学2017
- [4].基于稀疏表示和非负矩阵分解的部分遮挡人脸识别研究[D]. 欧卫华.华中科技大学2014
- [5].基于多光谱成像技术的光谱图像重构与显示研究[D]. 徐鹏.浙江大学2017
- [6].基于鲁棒判别式约束的字典学习算法研究[D]. 李争名.哈尔滨工业大学2017
- [7].基于稀疏表达的若干分类问题研究[D]. 江疆.华中科技大学2014
- [8].基于稀疏特征学习的复杂图像分类[D]. 王晓东.西安电子科技大学2014
标签：人脸识别论文; 模式识别论文; 特征抽取论文; 主分量分析论文; 特征融合论文; 线性鉴别分析论文; 二维投影分析论文; 虚拟样本论文; 多级分类论文;