基于Gabor小波和SVM的动态人脸识别算法研究

论文摘要

人脸识别技术作为生物特征识别技术中的一种,因其特有的稳定性、友好性、唯一性等特点而被广泛地应用于身份识别领域。然而,在动态人脸识别领域中,一方面人脸图像容易受到光照、表情、姿态等因素的影响,这些因素的影响会降低系统的识别效果;另一方面,人脸识别系统经常会遇到新样本加入的情况,如果只用原来的样本进行学习而不考虑新样本所包含的有用信息,则会导致系统的识别性能变差。本文主要针对以上两个问题进行研究,具体研究内容如下:(1)本文针对动态人脸识别中的特征提取问题,利用Gabor小波具有良好的鲁棒性这一特点,提出一种基于块双向统计量的动态人脸图像的Gabor特征描述方法。该方法先将人脸图像经过Gabor小波变换得到的Gabor特征进行分块,然后计算每个子块的所有行和列的均值和标准差,再用得到的均值和标准差来描述Gabor特征。实验证明该方法不仅能够有效地提取动态人脸图像的有用特征,而且能够降低特征的维数。(2)针对动态人脸识别系统中新人脸样本逐步加入的情况,在现有增量学习方法的基础上,提出一种基于球环向量的增量动态人脸识别算法。该算法先从训练样本中抽取出可能成为支持向量的球环向量,再以KKT条件为停机准则来实现对新增样本的增量学习。该算法不仅可以去除掉无用样本,而且在保证学习精度的情况下,能够有效地减少训练时间。(3)将基于块双向统计量的动态人脸图像的Gabor特征描述方法与基于球环向量的增量动态人脸识别算法相结合实现一个动态人脸识别系统。分别在JAN人脸库和ORL人脸库上对本文所提的算法进行实验验证,说明本系统具有较好的鲁棒性,在保证识别率的前提下,该系统对于大规模的人脸图像数据具有较快的学习速度和良好的动态性能。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 课题的背景及研究意义
• 1.2 动态人脸识别的研究现状
• 1.3 本文的主要工作
• 第二章 基于 Gabor 小波的人脸特征提取
• 2.1 Gabor 小波
• 2.1.1 一维Gabor 小波
• 2.1.2 二维Gabor 小波
• 2.2 常用的Gabor 特征描述方法
• 2.2.1 基于下采样的Gabor 特征描述方法
• 2.2.2 基于分块统计量的Gabor 特征描述方法
• 2.3 新的Gabor 特征描述方法
• 2.3.1 基于双向统计量的Gabor 特征描述方法
• 2.3.2 基于块双向统计量的Gabor 特征描述方法
• 2.4 主成分分析
• 2.5 Gabor 特征描述方法在人脸识别中的应用
• 2.5.1 本实验的人脸识别系统和人脸库
• 2.5.2 实验结果
• 2.6 本章小结
• 第三章 基于支持向量机的人脸识别
• 3.1 两类支持向量机
• 3.1.1 线性支持向量机
• 3.1.2 非线性支持向量机
• 3.2 多类支持向量机
• 3.2.1 一对多方法
• 3.2.2 一对一方法
• 3.3 SVM 工具箱——LIBSVM
• 3.3.1 LIBSVM 工具箱简介
• 3.3.2 LIBSVM 的使用
• 3.3.3 参数的选择
• 3.4 实验结果
• 3.5 本章小结
• 第四章 SVM 增量学习算法及动态人脸识别
• 4.1 SVM 增量学习算法的研究
• 4.1.1 支持向量的特点分析
• 4.1.2 经典的SVM 增量学习算法
• 4.1.3 其它SVM 增量学习算法
• 4.2 基于球环向量的SVM 增量学习算法
• 4.2.1 球环向量的提取
• 4.2.2 基于球环向量的SVM 增量学习算法
• 4.3 基于SVM 增量学习的动态人脸识别系统
• 4.3.1 动态人脸识别系统的实现
• 4.3.2 实验结果
• 4.4 本章小结
• 第五章 总结与展望
• 5.1 全文总结
• 5.2 课题展望
• 参考文献
• 攻读硕士学位期间发表的学术论文和参与的科研项目
• 致谢