人脸识别的贝叶斯统计方法

论文摘要

人脸识别问题是应用数学、模式识别领域的研究热点之一。在公安、司法监控等相关领域具有较大的应用前景。自动人脸识别系统包含人脸检测、特征提取、识别三个部分,本文讨论的是不含人脸检测的半自动人脸识别系统。主成分分析法是人脸识别中最常用的方法。本文首先详细介绍了基于K-L变换的主成分分析识别理论,还讨论了识别中的距离度量准则问题,选出适合本文识别的最佳准则。由于主成分分析法一直面临着高计算量问题,本文给出了识别性能更优越的二维主成分分析方法原理,实验证明该方法不仅在识别时间上大大优于传统主成分分析法,而且在识别率上也有明显的提高。贝叶斯方法是模式识别中的最优方法之一。本文在主成分分析法基础上重点讨论了贝叶斯人脸识别算法以及模型分布问题。在算法的推导中,我们将最大似然准则与最大后验准则作了比较并对冗繁的计算进行了改进,实验结果表明改进后的最大似然算法更有利于提高人脸识别的运算效率,而且识别率也比主成分分析方法有一定的提高。人脸识别一般是选择传统的高斯模型（包括单高斯和混合高斯模型）来估计概率密度,本文详细介绍了高斯模型的基本原理,与此同时还给出了概率推理模型进行概率密度估计,通过实验得出这两种模型在识别性能上各有优势。

论文目录

• 摘要
• ABSTRACT
• 第1章 绪论
• 1.1 人脸识别研究概况
• 1.1.1 人脸识别方法
• 1.1.2 人脸识别的影响因素
• 1.2 人脸识别系统的评测
• 1.2.1 FERET数据库及FERET评测
• 1.2.2 FRVT测试
• 1.3 人脸识别面临的主要困难
• 1.4 本文所做的工作及章节安排
• 第2章 基于K-L变换的主成分分析法
• 2.1 主成分分析方法
• 2.2 基于K-L变换的主成分分析人脸识别
• 2.2.1 特征脸算法
• 2.2.2 距离度量准则
• 2.2.3 主成分分析法人脸识别实现
• 2.3 二维主成分分析法人脸识别
• 2.4 本章小结
• 第3章 基于贝叶斯方法的人脸识别
• 3.1 贝叶斯决策
• 3.1.1 类内子空间与类间子空间
• 3.1.2 概率相似度法则
• 3.2 贝叶斯人脸识别算法
• 3.2.1 最大似然准则
• 3.2.2 最大后验准则
• 3.2.3 改进的最大似然准则
• 3.3 贝叶斯人脸识别模型
• 3.3.1 高斯模型
• 3.3.1.1 贝叶斯分类规则
• 3.3.1.2 混合高斯模型
• 3.3.2 概率推理模型
• 3.4 本章小结
• 第4章 结论与展望
• 参考文献
• 致谢