基于改进主成分分析方法的人脸识别算法研究

论文摘要

人脸识别是模式识别、计算机视觉、人工智能等领域知识的一个重要应用,也是当前热门的研究课题之一。基于主成分分析(PCA Principle Component Analysis)的Eigenfaces算法是人脸识别的经典算法,该方法是模式识别判别分析中最常用的一种线性映射方法,是基于统计特征的人脸识别算法。由于传统PCA方法是把人脸图像特征提取出来以后,直接用提取出来的特征进行识别,存在特征较多,计算量较大等问题。如何在提高识别率的情况下减少特征维数和降低计算工作量,这些正是粗糙集理论研究的内容。本文将二者相结合应用于人脸识别中,减少了特征脸空间的维数,因此,进行基于改进主成分分析方法的人脸识别算法研究具有一定的理论意义和实践价值。本文完成了以下工作:首先介绍了人脸识别的背景、研究范围以及方法,对人脸识别领域的一些理论方法作了总体的介绍。其次对粗糙集理论的基本知识、离散化算法、约简算法进行了研究,提出了一种基于启发函数的属性约简算法,减小了属性约简过程中搜索空间及计算量。最后提出了基于改进主成分分析方法的人脸识别算法。该方法根据训练样本的特征向量建立决策表,应用粗糙集理论对决策表属性进行约简,用约简后的特征向量建立特征子空间,进行人脸识别。该方法对经过PCA降维后的特征向量利用粗糙集约简,去除冗余信息,以降低计算的复杂性,提高了识别率和效率,实验证明该方法是合理、有效的。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 研究背景
• 1.2 几种生物特征识别技术
• 1.2.1 指纹识别
• 1.2.2 虹膜识别
• 1.2.3 掌纹识别
• 1.2.4 语音识别
• 1.2.5 人脸识别
• 1.3 人脸识别技术的发展历史及现状
• 1.4 人脸识别的优势
• 1.5 人脸识别技术应用领域
• 1.6 本文的工作及章节安排
• 第二章 人脸识别技术
• 2.1 人脸识别的研究内容
• 2.2 人脸图像的预处理
• 2.3 人脸检测与定位
• 2.3.1 基于统计的人脸检测方法
• 2.3.2 基于知识建模的人脸检测方法
• 2.3.3 基于模板匹配的人脸检测方法
• 2.4 人脸特征提取
• 2.4.1 基于几何特征的方法
• 2.4.2 基于模型匹配的方法
• 2.4.3 基于统计的方法
• 2.4.4 基于连接机制的方法
• 2.5 分类
• 2.5.1 基于统计模式的分类器
• 2.5.2 神经网络分类器
• 2.5.3 判别函数分类器
• 2.6 常用的标准人脸数据库
• 第三章 粗糙集属性约简算法
• 3.1 粗糙集理论发展状况
• 3.2 粗糙集理论基础
• 3.2.1 知识库
• 3.2.2 粗糙集
• 3.2.3 信息系统与决策表
• 3.3 知识约简
• 3.3.1 属性约简与核
• 3.3.2 连续属性离散化
• 3.3.3 基于差别矩阵的属性约简算法
• 3.3.4 基于属性重要性的属性约简算法
• 3.3.5 基于启发函数的属性约简算法
• 3.4 小结
• 第四章 改进主成分分析方法的人脸识别算法
• 4.1 PCA基本原理
• 4.1.1 人脸的表示
• 4.1.2 主成分分析法的基本概念
• 4.1.3 求主成分的计算过程
• 4.1.4 利用特征脸进行人脸识别
• 4.2 对经PCA选取的特征向量进行简化
• 4.3 算法步骤
• 4.4 算法示意图
• 第五章 属性约简与实验结果分析
• 5.1 基于启发函数的属性约简算法
• 5.1.1 建立决策表
• 5.1.2 属性约简
• 5.2 人脸图像数据库
• 5.3 经PCA变换后提取特征向量
• 5.4 基于RS约简特征向量
• 5.5 实验结果分析
• 5.5.1 特征向量的数目对算法的影响
• 5.5.2 改进的PCA识别算法运行结果
• 5.5.3 识别结果比较
• 5.6 小结
• 第六章 结束语
• 参考文献
• 致谢
• 攻读学位期间发表的学术论文