基于若干代数特征的人脸识别算法研究

论文摘要

人脸识别是近年来模式识别和图像处理领域的研究热点之一，对该问题的研究有助于模式识别和信息安全的发展。而特征抽取是模式识别研究的最基本问题之一，特征抽取方法对于图像识别起着关键的作用。在人脸识别领域，基于代数特征的人脸识别方法因其计算简单、有效等特性引起了人们的广泛注意，现已成为人脸图像特征提取和识别的主流方法之一。本文结合几种基于代数特征的人脸识别算法，对其中的部分问题分别进行了探讨，并给出了相应的解决方案。本文工作包括：（1）对基于奇异值分解（SVD）、主成分分解（PCA）、Fisher线性鉴别分析（FLD）以及二维主成分分解（2DPCA）理论做了详细的分析和介绍。这几种方法是人脸识别领域广泛运用的基于代数特征的特征提取和识别的方法。经过长期不断的试验证明尽管每种方法都有其独特的优越性，但同时每种方法也都具有各自的弊端，仍然达不到明显的理想的识别效果。本文利用试验给出了各种方法在ORL人脸库中的识别结果。分析比较了各种方法的特征提取的优劣性。（2）在分别介绍了SVD和PCA的人脸特征提取方法之后，提出了SVD和PCA相结合的人脸识别算法。理论上，当两种数据或分类器具有一定的独立性或互补性时，数据融合或分类器融合才能改善识别率。SVD和PCA之间有着明显的互补之处。PCA在图像表示上是最佳的（在均方差意义上），但敏感于位移、旋转等几何变换。而SVD则具有位移、旋转不变性。因此，将这两种方法相结合就有可能提高分类性能（好于单独的SVD方法和单独的PCA方法）。在ORL数据库上的实验表明，SVD和PCA相融合的识别方法的确提高了人脸识别率。（3）2DPCA方法是在PCA方法的基础上提出的，具有比PCA方法有更多的优点，识别率更高。FLD方法更清楚的体现了各类别之间及类内部各元素间的关系，使提取的信息更具有独立性，根据FLD这个特点本文在利用2DPCA进行特征提取的过程中使用了FLD中的类间散布矩阵提出基于类间散布矩阵的2DPCA人脸识别算法，并且根据加法融合理论提出了FLD+2DPCA识别算法，由两种融合算法期望达到更良好的识别性能，试验结果证明所提出的方法达到了预期的融合效果。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 人脸识别研究概述
• 1.1.1 人脸识别研究发展与现状
• 1.1.2 人脸识别的应用领域
• 1.1.3 人脸识别系统组成
• 1.2 人脸特征提取与识别方法
• 1.2.1 基于几何特征的方法
• 1.2.2 基于代数特征的方法
• 1.2.3 支持向量机方法
• 1.2.4 基于核技术的方法
• 1.2.5 基于弹性模型的方法
• 1.2.6 基于神经网络的方法
• 1.2.7 形变模型方法
• 1.3 研究工作概况
• 2 人脸表征与预处理
• 2.1 人脸表征
• 2.2 人脸特征探测方法
• 2.3 图像预处理
• 2.3.1 图像的平滑去噪
• 2.3.2 提高图像对比度
• 2.3.3 灰度归一化
• 2.3.4 尺寸预处理
• 2.4 人脸识别常用的数据库及性能评价
• 3 基于奇异值分解的人脸识别
• 3.1 奇异值特征向量
• 3.1.1 矩阵的奇异值分解（Singular Value Decomposition，简称SVD）
• 3.1.2 奇异值特征向量的定义
• 3.1.3 奇异值降维压缩
• 3.1.4 图像奇异值特征的有效性
• 3.2 基于奇异值的人脸识别
• 3.2.1 基于奇异值和隶属度函数的人脸识别方法
• 3.3 试验过程及试验结果
• 4 基于主成分分析法的人脸识别
• 4.1 主成分分析法的人脸识别方法
• 4.1.1 基本原理
• 4.1.2 人脸识别过程
• 4.1.3 分类器设计
• 4.1.4 试验过程及试验结果
• 4.2 基于SVD和PCA的融合策略
• 4.3 试验过程及试验结果
• 5 基于FLD和2DPCA相融合的人脸识别
• 5.1 Fisher线性鉴别分析方法（FLD）
• 5.2 基于二维主成分分析法（2DPCA）人脸识别
• 5.2.1 基本原理
• 5.2.2 识别算法
• 5.2.3 试验过程及试验结果
• 5.3 基于类间散布矩阵的2DPCA
• 5.4 FLD+2DPCA人脸识别算法
• 5.5 试验过程及试验结果
• 结论
• 参考文献
• 攻读硕士学位期间发表学术论文情况
• 致谢