首页> 正文

人机交互中人脸识别方法研究

2020-12-07阅读(813)

人机交互中人脸识别方法研究

论文摘要

在人机交互中,如何能够进一步提高人机交互中的身份验证——人脸识别的性能一直是待解决的关键问题。针对这一关键问题,本文主要对人脸识别方法进行了研究,具体如下:1.对基于特征子空间的人脸特征提取方法进行了研究,分别介绍了PCA、KPCA、2DPCA、DLDA、KDDA、2DLDA、Fast ICA、KICA等八种方法,对每种方法的原理、步骤及优缺点均作了详细的分析。2.提出了一种新的二维线性判决分析方法,在对人脸原始图像进行光照补偿后,先对其进行奇异值扰动及小波变换,再采用2DLDA方法进行人脸的特征提取,并对提取的特征进行PCA降维,最后用支持向量机进行分类。将此方法应用于ORL人脸数据库,并与其他的识别方法进行了比较。实验结果表明,利用此方法,可以用更少的特征维数得到更优的识别性能。3.实现了人机交互中的简单背景下的单人脸实时识别系统。采用YCbCr肤色模型进行人脸的检测与定位,图像预处理选择灰度变换、对数变换光照补偿法及对人脸区域内的人脸面部图像的尺寸缩放,选用二维LDA的特征提取方法和最近邻分类器进行识别,最终实现一个对320×240视频图像的实时人脸识别系统。实验结果表明,其识别率可达90%以上。

论文目录

  • 摘要
  • Abstract
  • 第1章 绪论
  • 1.1 论文研究的目的及意义
  • 1.2 人脸识别的发展与研究现状
  • 1.3 本文主要研究内容及结构安排
  • 第2章 人脸识别方法综述
  • 2.1 基于局部的特征提取方法
  • 2.2 基于整体的特征提取方法
  • 2.2.1 基于几何特征的方法（Geometrical Features Based）
  • 2.2.2 基于代数特征的方法（Algebraic Features Based）
  • 2.2.3 基于模板的方法（Template Based）
  • 2.2.4 基于神经网络的方法（Neural Network Based）
  • 2.2.5 基于支持向量机的方法（Support Vector Machine Based）
  • 2.2.6 基于相关的方法
  • 2.2.7 基于流形学习的方法
  • 2.2.8 基于3D建模的方法
  • 2.3 人脸特征的分类方法
  • 2.3.1 欧氏距离（Euclidean Distance）分类器
  • 2.3.2 马氏距离（Mahalanobis Distance）分类器
  • 2.3.3 线性Bayes分类器
  • 2.3.4 最近邻分类器
  • 2.3.5 基于Parzen窗的非线性核函数分类器
  • 2.3.6 基于RBF NN的分类器
  • 2.4 本章小结
  • 第3章 基于特征子空间的人脸识别方法研究
  • 3.1 引言
  • 3.2 基于主成分分析（PCA）的人脸识别方法
  • 3.2.1 K-L变换的基本原理
  • 3.2.2 特征脸的构造
  • 3.2.3 基于特征脸的人脸识别
  • 3.2.4 基于核主成分分析（KPCA）的人脸识别
  • 3.2.5 基于二维主成分分析（2DPCA）的人脸识别
  • 3.3 基于线性判决分析（LDA）的识别方法
  • 3.3.1 LDA的基本原理
  • 3.3.2 基于DLDA的人脸识别
  • 3.3.3 基于核直接线性判决分析（KDDA）的人脸识别
  • 3.3.4 基于二维线性判决分析（2DLDA）的人脸识别
  • 3.4 基于独立成分分析（ICA）的识别方法
  • 3.4.1 ICA的基本原理
  • 3.4.2 ICA模型输入的预处理
  • 3.4.3 基于Fast ICA的人脸识别
  • 3.4.4 基于核独立成分分析（KICA）的人脸识别
  • 3.5 本章小结
  • 第4章 基于二维LDA的人脸识别方法研究
  • 4.1 引言
  • 4.2 基于2DLDA的特征提取方法
  • 4.3 基于2DLDA的特征提取方法的改进
  • 4.3.1 光照补偿
  • 4.3.2 奇异值扰动
  • 4.3.3 小波变换
  • 4.3.4 PCA降维
  • 4.4 支持向量机分类算法
  • 4.4.1 两类支持向量机分类器
  • 4.4.2 用于多类分类的支持向量机
  • 4.5 识别算法过程
  • 4.6 实验结果
  • 4.6.1 不同光照补偿下的识别性能比较
  • 4.6.2 不同的分类器下的识别性能的比较
  • 4.6.3 不同的特征提取方法下的识别性能的比较
  • 4.6.4 奇异值扰动下的识别性能比较
  • 4.6.5 特征维数不同下的识别性能比较
  • 4.6.6 不同小波基下的识别性能比较
  • 4.6.7 小波分解层数的选择
  • 4.7 本章小结
  • 第5章 人机交互中的人脸识别系统
  • 5.1 引言
  • 5.2 人脸检测与定位
  • 5.3 人脸图像预处理
  • 5.3.1 人脸库的建立
  • 5.3.2 灰度变换
  • 5.3.3 光照补偿
  • 5.3.4 尺寸缩放
  • 5.4 人脸识别系统的具体实现
  • 5.4.1 训练阶段
  • 5.4.2 测试阶段
  • 5.5 本章小结
  • 总结
  • 参考文献
  • 攻读硕士学位期间取得的学术成果
  • 致谢

    • 相关论文文献

    • [1].基于云计算的网络资源缺失信息识别方法[J]. 电子元器件与信息技术 2019(11)
    • [2].武汉市主城区现状用地自主识别方法探索[J]. 中国土地 2020(02)
    • [3].基于场景-部件的人体行为识别方法[J]. 测控技术 2020(02)
    • [4].基于人眼识别的人脸朝向识别方法[J]. 信息记录材料 2020(01)
    • [5].产品虚假评论文本识别方法研究述评[J]. 数据分析与知识发现 2019(09)
    • [6].网络谣言识别方法及展望[J]. 网络空间安全 2016(Z2)
    • [7].物联网智能终端设备识别方法[J]. 电信科学 2017(02)
    • [8].一种分布式人脸识别方法及性能优化[J]. 光学精密工程 2017(03)
    • [9].振动目标产生的瑞雷波的识别方法研究[J]. 沈阳理工大学学报 2017(02)
    • [10].松辽盆地二氧化碳气层录井识别方法[J]. 石化技术 2017(10)
    • [11].用于机动目标跟踪的分段机动识别方法[J]. 电波科学学报 2015(01)
    • [12].“特殊的平行四边形”易错点剖析[J]. 初中生世界 2017(15)
    • [13].基于深度学习的人脸识别方法研究进展[J]. 现代计算机 2020(01)
    • [14].基于典型相关分析特征融合的行人再识别方法[J]. 光电子·激光 2020(05)
    • [15].4G网络深度覆盖“283”识别方法研究[J]. 数字通信世界 2019(03)
    • [16].颠覆性技术识别方法研究与应用分析[J]. 军事医学 2018(01)
    • [17].一种大象流两级识别方法[J]. 电信科学 2017(03)
    • [18].多角度人脸检测与识别方法研究[J]. 电子设计工程 2017(11)
    • [19].卫星图像传输跟踪优化识别方法仿真研究[J]. 计算机仿真 2017(09)
    • [20].基于主题模型和情感分析的垃圾评论识别方法研究[J]. 计算机科学 2017(10)
    • [21].同形异义词机器辅助识别方法研究[J]. 数字图书馆论坛 2015(05)
    • [22].4G网络深度覆盖精确需求识别方法研究[J]. 电信工程技术与标准化 2015(09)
    • [23].基于深度流形表示学习的工业过程多故障识别方法[J]. 计算机与数字工程 2020(10)
    • [24].试分析基于区域生长的道路和桥梁识别方法的研究[J]. 科技创业家 2014(01)
    • [25].基于统计的人脸识别方法综述[J]. 安阳工学院学报 2012(04)
    • [26].基于情景分析的项目风险识别方法研究[J]. 理论观察 2012(05)
    • [27].基于深度学习的视频行为识别方法综述[J]. 电信科学 2019(12)
    • [28].基于深度学习的场景识别方法综述[J]. 计算机工程与应用 2020(05)
    • [29].基于特征的矢量图形符号渐进识别方法[J]. 软件导刊 2020(05)
    • [30].天然气管道泄漏的声-压耦合识别方法[J]. 应用声学 2020(03)

    标签：;  ;  ;  ;  ;  

    人机交互中人脸识别方法研究
    下载Doc文档

    猜你喜欢

    © 2024 毕速过 版权所有 鄂ICP备12018319号-5