基于粗糙集和神经网络的人脸识别方法的研究与实现

论文摘要

人脸识别是模式识别和图像处理等学科的一个研究热点,它广泛应用于身份验证、刑侦破案、视频监视、机器人智能化和医学等领域,具有广阔的应用价值和商品价值。人脸特征作为一种生物特征,与其他的生物特征相比,具有直接、友好、方便等特点,因此用人脸特征进行身份验证更易于被用户接受。人脸识别在过去几十年里得到了很大的方展,国内外很多学者对其进行了研究。但由于人脸非刚性,表情多变等因素,使得人脸识别在实际应用中面临巨大的困难。本文在对近年来国内外关于人脸识别的学术论文及研究报告进行分析和研究的基础上,结合粗糙集与人工神经网络的特点,提出了一种基于粗糙集和神经网络的人脸识别方法。在实现和验证该方法的过程中,同时提出了一种改进的PCA人脸识别方法。改进的PCA人脸识别方法是针对经典PCA方法受光照变化影响的缺点进行的改进。该算法在图像的预处理阶段,利用图像灰度的线性变换,增大每幅图像的对比度和亮度;对预处理后的图像则利用经典PCA算法进行处理,并在识别阶段,通过对体现光照变化的三个主分量进行加权处理,减少它们在识别中占的比重。实验结果表明,该算法在减少光照影响方面是有效的。基于粗糙集和神经网络的人脸识别方法是针对PCA方法中存在的高维数问题和它对未训练过的样本识别率低的缺点而提出的。该方法在预处理的基础上,利用粗糙集对PCA降维处理后的人脸特征进行约简,提取其中分类能力强的特征,实现在识别精度不变的情况下,有效的去除冗余信息;然后将约简后的属性输入到神经网络进行规则提取,利用神经网络非线性映射和并行处理的特点,增强对人脸图像识别的泛化能力。实验证明使用该方法在识别率上有一定的提高。

论文目录

• 摘要
• Abstract
• 绪论
• 1. 课题的研究背景与意义
• 2. 人脸识别的国内外研究现状
• 3. 人脸识别面临的主要问题
• 4.本论文的主要研究内容
• 第一章 人脸识别技术综述
• 1.1 人脸识别的主要方法
• 1.1.1 基于特征脸的方法
• 1.1.2 基于几何特征的人脸识别方法
• 1.1.3 弹性图匹配的方法
• 1.1.4 基于人工神经网络的方法
• 1.1.5 基于支持向量机的方法
• 1.1.6 隐马尔可夫模型的方法
• 1.1.7 其他综合方法
• 1.2 人脸识别的基本过程
• 1.2.1 人脸图像预处理
• 1.2.2 特征提取
• 1.2.3 分类方法
• 本章小结
• 第二章 粗糙集理论与神经网络技术
• 2.1 粗糙集理论
• 2.1.1 粗糙集简介
• 2.1.2 粗糙集的基本概念
• 2.1.3 粗糙集中的属性约简
• 2.1.4 粗糙集在图像处理中的应用
• 2.2 人工神经网络技术
• 2.2.1 人工神经网络简介
• 2.2.2 人工神经网络元模型
• 2.2.3 神经网络的拓扑结构和学习方式
• 2.2.4 BP 神经网络
• 本章小结
• 第三章 基于粗糙集和神经网络的人脸识别方法
• 3.1 图像预处理
• 3.1.1 人脸图像库
• 3.1.2 预处理方法
• 3.2 PCA 特征提取
• 3.2.1 K-L 变换
• 3.2.2 奇异值分解原理
• 3.2.3 PCA 原理与实现
• 3.3 改进的PCA 人脸识别方法
• 3.3.1 改进PCA 算法的原理
• 3.3.2 改进PCA 算法的实现
• 3.3.3 实验结果与分析
• 3.4 基于粗糙集的属性约简方法
• 3.4.1 基于粗糙集的属性约简方法
• 3.4.2 属性重要度特征选择算法
• 3.5 神经网络分类器设计
• 3.5.1 输入输出层设计
• 3.5.2 隐含层设计
• 3.5.3 初始化设计
• 3.5.4 网络中函数与期望误差的选取
• 本章小结
• 第四章 实验结果及其数据分析
• 4.1 实验环境及实现的功能
• 4.1.1 算法基本框架
• 4.1.2 算法实现的主要功能
• 4.2 实验结果分析
• 4.2.1 预处理后的部分数据结果
• 4.2.2 使用PCA 和粗糙集提取的特征
• 4.2.3 神经网络训练和识别结果
• 4.2.4 几种算法的识别结果比较
• 本章小结
• 结论
• 参考文献
• 附录A BP 网络学习公式推导
• 攻读硕士学位期间发表的学术论文
• 致谢