人脸特征提取及分类算法研究

论文摘要

特征提取和分类器设计是人脸识别技术中最基本的两个问题。特征提取的实质是将原始的高维图像数据映射到一个低维空间,以利于后续分类识别。分类器则是为了将提取到的特征以更高的精度将其区分开来。特征提取有许多经典的算法,最著名的基于子空间的方法包括主分量分析法、线性鉴别分析法和费舍儿脸法等,子空间方法简单有效,在实际中应用广泛。小波分析是信号处理领域非常著名的数据处理和分析工具,在模式识别中也有广泛应用。神经网络能够实现输入到输出的任意非线性映射,因此对于处理高维图像数据有很强的适应性,在分类识别方面效果突出。本文在总结人脸特征提取和分类识别技术的基础上,针对小波分析结合子空间方法在特征提取中的应用以及人脸分类器设计技术进行了深入系统研究。本文给出了一种特征提取算法及两种分类器设计算法:1.在详细分析小波变换理论的基础上,提出了适合于人脸识别的小波变换方法。该算法通过对小波变换的权值系数进行合理分配,再结合改进的子空间方法进行特征提取,能够提高识别的精度和时间效率。2.提出基于优化径向基函数神经网络的人脸分类算法。该算法通过改进的遗传算法优化径向基函数网络的中心向量,使得网络中心更具代表性,以提高网络的逼近精度。在训练样本数很小的情况下仍有较高的识别效率。3.提出基于学习向量量化神经网络的人脸分类器设计算法。该算法通过对自组织神经网络理论的分析,将改进的自组织神经网络(学习向量量化网络)用于分类设计,在样本容量不大的情况下,有较高的识别率和较快的识别速度。通过不同人脸库识别实验验证了以上算法的可行性和有效性。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题来源背景及研究意义
• 1.2 国内外研究现状综述及分析
• 1.3 本文研究内容及结构安排
• 第2章 人脸特征提取和分类技术
• 2.1 特征提取方法
• 2.1.1 主成分分析法
• 2.1.2 线性鉴别分析法
• 2.1.3 费舍儿脸方法
• 2.2 分类方法
• 2.2.1 最近邻分类器
• 2.2.2 BP 网络分类器
• 2.3 本论文所用到的人脸库
• 2.4 本章小结
• 第3章 加权小波融合RFLD 的人脸特征提取
• 3.1 RFLD 方法与小波变换
• 3.2 算法设计
• 3.2.1 小波变换参数设计
• 3.2.2 权值系数设计
• 3.2.3 算法过程
• 3.3 实验及结果分析
• 3.3.1 ORL 人脸库实验
• 3.3.2 YALE 人脸库实验
• 3.4 本章小结
• 第4章 融合小波与优化RBF 网络的人脸分类识别
• 4.1 遗传算法与RBF 网络
• 4.2 遗传算法优化RBF 网络算法设计
• 4.2.1 改进遗传算法
• 4.2.2 RBF 网络学习算法
• 4.3 分类识别算法设计
• 4.4 实验结果及分析
• 4.4.1 ORL 人脸库实验
• 4.4.2 YALE 人脸库实验
• 4.5 本章小结
• 第5章 LVQ 网络在人脸分类识别中的应用
• 5.1 自组织竞争神经网络
• 5.2 LVQ 网络分类算法
• 5.2.1 自组织映射网络及算法
• 5.2.2 LVQ 网络分类算法
• 5.3 实验及结果分析
• 5.3.1 ORL 人脸库实验
• 5.3.2 YALE 人脸库实验
• 5.4 本章小结
• 结论
• 参考文献
• 攻读硕士学位期间发表的学术论文
• 致谢