基于粗集理论的人脸识别方法研究

论文摘要

人脸识别是生物特征识别技术的一个主要方向,与其他生物特征相比,人脸识别具有主动、方便等许多优点。该领域的研究具有广泛的应用价值,可用于身份鉴别、信息安全、人机交互等多个方面。 人脸识别系统包括:人脸检测与定位,人脸特征提取与选择,人脸识别几部分。第一部分,本文采用了利用人脸图像的像素分布特征来定位人脸的方法,在定位人脸的内轮廓时,利用了图像二值化后的分布特征和灰度图的像素分布特征相结合的方法,然后将人脸区域的图像进行标准化,经过以上处理的人脸图像可以方便的用于人脸的识别,为人脸图像的进一步处理如特征提取与识别做好准备。第二、三部分中,选择了十一个特征点,形成了由二十二个特征构成的特征向量,然后根据粗集理论,把人脸库中的人脸图像作为一个知识表达系统,通过训练人脸库的部分图像,形成属性表,利用粗集理论中的属性约简方法,形成最小人脸知识库,最后利用最小欧氏距离原则,来对检验集中的人脸图像进行识别。 由于传统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,存在的问题是特征较多,计算量较大,系统自然也较复杂。本文把粗集理论应用到人脸识别中,去掉了一些不必要的特征,也就是那些冗余特征,从而起到了简化算法,简化系统的作用。通过实验表明,这种方法具有可行性。

论文目录

• 摘要
• ABSTRACT
• 1 绪论
• 1.1 生物特征识别技术
• 1.2 人脸识别技术的发展历史
• 1.3 人脸识别研究内容
• 1.4 人脸的检测方法综述
• 1.4.1 基于面部重要特征的人脸检测方法
• 1.4.2 基于统计的人脸检测方法
• 1.4.3 基于模板匹配的人脸检测方法
• 1.5 人脸识别方法综述
• 1.5.1 基于二维（三维）特征的人脸识别算法
• 1.5.2 基于特征脸（特征子空间）的人脸识别方法
• 1.5.3 基于模板匹配（静态匹配和弹性匹配）的人脸识别
• 1.5.4 基于人工神经网络的人脸识别方法
• 1.6 本论文的主要研究内容
• 2 粗集基础理论
• 2.1 粗集简介
• 2.2 知识的基本概念
• 2.2.1 知识与分类
• 2.2.2 知识库
• 2.2.3 知识的等价、推广和特化
• 2.3 不精确范畴，近似与粗集
• 2.3.1 粗集
• 2.3.2 非精确性的数字特征
• 2.3.3 分类的近似
• 2.4 知识的简化及数据的依赖性
• 2.4.1 知识的简化和核
• 2.4.2 范畴的简化
• 2.4.3 知识的依赖性
• 2.4.4 知识依赖性的量度
• 2.5 数据表知识表达系统
• 2.5.1 数据表知识表达系统
• 2.5.2 决策表的公式化定义
• 2.5.3 决策表的简化
• 2.5.4 属性值的离散归一化
• 2.6 知识表达逻辑
• 2.6.1 决策规则和算法
• 2.6.2 属性的依赖性
• 2.6.3 协调算法的简化
• 2.6.4 决策规则的简化
• 2.6.5 决策算法的最小化
• 2.7 粗集理论与机器学习
• 2.7.1 有导师学习及学习算法
• 2.7.2 知识学习的学习质量
• 2.7.3 知识学习的充分性
• 3 人脸的检测与定位
• 3.1 预处理
• 3.1.1 锐化
• 3.1.2 二值处理
• 3.1.3 平滑
• 3.2 定位内轮廓
• 3.3 定位人眼
• 3.4 标准化
• 3.5 本章小结
• 4 人脸特征提取与识别
• 4.1 人脸的特征提取
• 4.1.1 引言
• 4.1.2 人脸分割
• 4.1.3 主要特征定位
• 4.2 确定特征点并构造特征向量
• 4.3 基于粗集的人脸识别方法
• 4.3.1 人脸知识库的形成
• 4.3.2 知识库（属性表）的简化
• 4.3.3 识别输出
• 4.4 人脸识别方法应用举例
• 4.4.1 人脸知识库的建立
• 4.4.2 人脸知识库的简化
• 4.4.3 识别输出
• 4.5 本章小结
• 5 人脸识别仿真实验
• 结束语
• 参考文献
• 致谢
• 攻读学位期间发表的学术论文目录
• 学位论文评阅及答辩情况表