人脸识别的子空间方法研究与实现

论文摘要

人脸识别技术是目前生物特征识别中最受人们关注的一个分支,是计算机视觉与模式识别领域非常活跃的一个研究方向。人脸图像的特征提取是人脸识别技术非常重要的组成部分,对于识别效果起着举足轻重的作用。子空间分析方法是近年来受到广泛重视的特征提取方法,其思想就是根据一定的性能目标来寻找一种线性或非线性的空间变换,把原始数据压缩到一个低维子空间中。数据在子空间中的分布更加紧凑,可分性好,计算复杂度也得到了很大降低,并为数据的描述提供了更好的手段。本文系统地分析了几种主要的子空间方法,并将其成功应用到计算智能实验室MutiBIS生物特征识别系统的人脸识别子系统之中。然而任何子空间方法都可能对人脸特征提取得不够充分。本文模仿人类视觉系统的特点,提出了融合局部和整体特征子空间的算法。首先通过主元分析算法(PCA)提取全局特征,利用带稀疏限制的非负矩阵分解算法(NMFs)提取局部特征。然后分别在两个子空间上使用线性判决分析算法(LDA)以提高算法对人脸光照和表情的自适应能力。最后在特征提取层和匹配值层设计了融合算法,分别使用了向量连接法和自适应模糊神经推理系统(ANFIS)。试验表明,该算法可以较好的解决人脸识别中的鲁棒性问题,而且可以提高系统的识别率。本文首先介绍了人脸识别的基本概念、应用范围、存在问题及发展方向。其次阐述了子空间方法的基本概念、原理及一些常见的算法。之后提出了融合两个子空间特征的改进算法,并详细讨论了该新算法的设计思路、设计过程及性能试验。再次介绍了本实验室基于子空间方法的开放人脸识别系统的功能、结构及实现方法。最后是本文工作的总结和进一步工作的展望。

论文目录

• 摘要
• ABSTRACT
• 第一章 人脸识别技术概述
• 1.1 课题背景
• 1.2 人脸识别概述
• 1.2.1 人脸识别的定义
• 1.2.2 人脸识别问题的难点
• 1.2.2 人脸识别系统评价标准
• 1.3 人脸识别研究与应用
• 1.3.1 人脸识别的研究
• 1.3.2 人脸识别的应用
• 1.4 内容组织
• 第二章 人脸识别的子空间方法
• 2.1 前言
• 2.2 子空间方法概述
• 2.3 子空间分析算法
• 2.3.1 线性子空间方法
• 2.3.2 非线性子空间方法
• 2.3.3 子空间新方法
• 2.4 本章小结
• 第三章 基于局部和整体子空间特征的一种融合算法
• 3.1 前言
• 3.2 信息融合概念简介
• 3.3 多模态生物特征融合的概念与分类
• 3.4 基于两个子空间特征的融合算法
• 3.4.1 非负矩阵稀疏分解NMFs
• 3.4.2 自适应模糊神经推理系统
• 3.4.3 融合算法描述
• 3.5 实验结果
• 3.6 本章小结
• 第四章 MUTIBIS 人脸识别子系统
• 4.1 系统概述
• 4.2 相关技术背景
• 4.2.1 动态链接库
• 4.2.2 Matlab 编译器
• 4.2.3 提取主子空间的神经网络技术
• 4.3 人脸识别子系统总体结构
• 4.4 系统的实现
• 4.4.1 特征提取程序设计说明
• 4.4.2 人脸识别程序设计说明
• 第五章 论文总结
• 5.1 总结
• 5.2 展望
• 致谢
• 参考文献
• 作者简介