贝叶斯人脸识别方法的研究

论文摘要

伴随着信息技术的发展,人脸识别逐渐成为生物特征识别一个热门的研究领域。它涵盖了图象处理、模式识别、人工智能以及数学等多种学科的前沿技术。到目前为止,人们还在对识别方法的准确性、实时性、鲁棒性和智能性等方面进行研究和改进。近几年,由于科学技术的发展和商业界、法律界等社会各方面应用的需求,使人脸识别再次成为生物特征识别领域的热点。目前比较主流的人脸识别方法是基于统计的二维人脸识别,而选择贝叶斯策略作为分类准则的基于统计模型的人脸识别又是其中比较有发展前途的一种。本文在深入分析贝叶斯方法的基础上,作出的主要贡献如下：1.用haar小波先对原图像进行滤波,根据人脸左右对称,上下不对称的特点,保留图像垂直方向细节信息。实验证明,这样做不仅可以使预处理计算量大大减少,而且对精度并没有太大影响。2.采用改进的混高斯模型。即对不同类看成服从不同的正态分布,通过本文给出的算法加权计算求出整体条件概率而不是一开始假定整体服从某个正态分布。实验证明,这样做可以提高识别的准确度。3.针对各类训练样本出现的数量对待测样本属于该类的先验概率作适当调整,改进了当各类训练样本数量不一致时系统识别的不平衡性。

论文目录

• 摘要
• ABSTRACT
• 目录
• 第一章 绪论
• 1.1 人脸识别的主要研究问题
• 1.2 人脸识别发展概述
• 1.2.1 基于几何特征阶段
• 1.2.2 基于模板匹配阶段
• 1.2.3 智能学习阶段
• 1.3 人脸识别研究的主要方法
• 1.3.1 弹性匹配方法
• 1.3.2 子空间方法
• 1.3.3 神经网络方法
• 1.3.4 隐马尔可夫模型方法
• 1.4 本文结构介绍
• 第二章 特征提取和PCA算法
• 2.1 引言
• 2.2 离散Karhunen-loeve变换
• 2.2.1 K-L展开式
• 2.2.2 特征提取准则
• 2.3 熵函数与各类正交变换比较
• 2.4 主成分分析（PCA）和特征脸（eigenfaces）算法
• 第三章 人脸识别的分类算法研究
• 3.1 引言
• 3.2 最近特征线法
• 3.3 K最近特征线分类法
• 3.4 贝叶斯分类法
• 3.4.1 最大后验准则
• 3.4.2 最小风险判决准则
• 3.4.3 极大似然准则
• 第四章 贝叶斯策略人脸识别方法
• 4.1 引言
• 4.2 贝叶斯公式
• 4.3 多类分类转化为两类分类
• 4.4 贝叶斯分类器
• 4.5 识别结果分析
• 第五章 贝叶斯方法的改进与结果分析
• 5.1 小波分析基础
• 5.1.1 傅立叶变换
• 5.1.2 一维小波变换
• 5.1.3 二维小波变换
• 5.2 Haar小波对样本的处理
• 5.3 改进的混高斯模型
• 5.4 对先验概率的改进
• 5.5 实验结果及分析
• 第六章 总结与展望
• 6.1 本文工作总结
• 6.2 对未来工作展望
• 参考文献
• 致谢