静态人脸图像识别研究

论文摘要

人脸识别是当前人工智能和模式识别领域的一个研究热点。特征提取是人脸识别的关键,直接影响识别结果。本文主要对特征提取算法进行研究。一维方法特征提取时运算量大,特别是图像很大时。二维方法特征提取直接,速度快,但提取出的特征是矩阵,特征数量大,影响分类速度。结合两者的优点,提出一种基于2DPCA（two-Dimensional Principal ComponentsAnalysis）和DLDA（Direct Linear Discriminant Analysis）的人脸识别算法,先用2DPCA处理原始图像,降维后进行DLDA处理,并深入分析了特征向量参数选取的问题。实验结果表明,识别率和分类速度均有很大提高。传统特征脸方法需要大量人脸样本且当人脸样本增加时需要重新训练“特征脸”,不适合人脸样本较少和实时性要求比较高的场合。针对这一问题,提出一种基于全局和局部特征的LBP（Local Binary Pattern）人脸识别算法。该方法无须训练“特征脸”,直接抽取人脸图像的局部和全局直方图特征作为图像特征进行识别。实验结果表明,该方法具有较好的实时性和识别率,且对光照不敏感。本文还研究了单样本人脸识别问题。专门研究了增加训练样本和利用单样本进行人脸识别的方法。在ORL人脸库中验证了这些方法的有效性。

论文目录

• 摘要
• ABSTRACT
• 第1章 绪论
• 1.1 课题的研究背景及目的
• 1.2 人脸识别的主要内容和难点
• 1.2.1 人脸识别的主要内容
• 1.2.2 人脸识别的难点
• 1.3 人脸识别的国内外研究现状
• 1.4 人脸识别的主要方法
• 1.4.1 基于几何特征的识别方法
• 1.4.2 基于代数特征的识别方法
• 1.4.3 基于连接机制的识别方法
• 1.5 本文的主要内容及安排
• 第2章 常用特征脸方法简介
• 2.1 PCA
• 2.2 2DPCA
• 2.3 LDA
• 2.3.1 两类问题的Fisher线性判别
• 2.3.2 多类问题的Fisher线性判别
• 2.3.3 Fisher线性判别分析中的小样本问题
• 2.4 实验结果及其分析
• 2.5 本章小结
• 第3章 基于2DPCA和DLDA的人脸识别算法
• 3.1 2DPCA+DLDA
• 3.2 算法流程
• 3.3 实验结果及其分析
• 3.4 本章小结
• 第4章 基于全局和局部特征的LBP识别算法
• 4.1 LBP算子
• 4.2 算法流程
• 4.3 RBF神经网络设计
• 4.3.1 RBF网络的初始化
• 4.3.2 RBF网络的混合学习过程
• 4.3.3 RBF神经网络设计小结
• 4.4 实验结果及其分析
• 4.5 本章小结
• 第5章 单样本人脸识别问题
• 5.1 增加训练样本的方法
• 5.1.1 镜像与对称变换
• 5.1.2 尺度、平移及旋转变换
• 5.1.3 通过积分投影增加虚拟样本
• 5.1.4 模拟姿势改变的虚拟样本
• 5.2 实验结果及其分析
• 5.3 本章小结
• 结论
• 参考文献
• 攻读硕士学位期间发表的论文和取得的科研成果
• 致谢