用于机器人视觉的人脸识别算法研究

论文摘要

人脸识别技术是当前生物特征识别领域的热点,在身份识别市场中占有越来越大的份额。智能化的机器人视觉系统在近年来得到了快速的发展,把人脸识别技术应用在机器人视觉中,能够充分发挥出机器人的人机互动性能。人脸识别包括人脸检测、特征提取和识别分析三个阶段。人脸检测的目的是确定图像中人脸的位置区域;特征提取就是提取最能代表人脸图像的特征元素;而人脸识别就是对提取的特征元素进行分析和分类,得出识别结果。本文在对人脸图像进行预处理的基础上,采用高斯肤色分割的方法进行人脸检测;在传统的主成分分析和线性判别分析的基础上,提出一种离散余弦变换和对角排列的双向压缩二维主成分分析人脸识别算法。对人脸图像检测,本文先采用图像预处理方法除去背景噪声,突出人脸主体,再利用肤色分割结合边缘检测判断图像中是否存在人脸区域。对人脸图像特征提取和识别分类,本文采用离散余弦变换和对角排列的双向压缩的二维主成分分析方法。该方法通过对原始图像进行离散余弦变换,先得到人脸能量主要集中的区域,把反变换后的人脸图像进行对角排列,融合人脸图像行和列之间的相关信息,最后对图像进行特征提取,能有效的提取出图像的特征信息,再用最小距离法对人脸图像进行分类。这样大大减少特征存储的空间和计算的时间,提高识别的效率,避免一维特征提取方法的计算时间长、识别效率低的问题。在ORL人脸库中,对灰度图像进行识别验证;在一个自建的彩色人脸库中,对彩色图像进行识别验证,证明本文提出的离散余弦变换和对角排列的双向压缩二维主成分分析方法优于传统的主成分分析和线性判别分析方法。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题来源
• 1.2 本课题研究的背景
• 1.3 国内外研究现状
• 1.3.1 国外研究现状
• 1.3.2 国内研究现状
• 1.4 主要研究内容
• 第2章 人脸检测的数据处理
• 2.1 人脸图像的预处理
• 2.1.1 图像二值化和灰度变换
• 2.1.2 图像滤波
• 2.1.3 图像锐化和边缘检测
• 2.2 人脸检测方法
• 2.2.1 彩色空间及其转换
• 2.2.2 肤色分割
• 2.2.3 人脸区域确定
• 2.3 本章小结
• 第3章 PCA和LDA算法研究
• 3.1 PCA
• 3.1.1 K-L 变换与PCA
• 3.1.2 PCA 算法的实现过程
• 3.2 LDA
• 3.2.1 LDA 算法的基本概念
• 3.2.2 LDA 散布矩阵特征分析
• 3.3 PCA 和LDA 实验结果分析
• 3.4 本章小结
• 第4章 DCT的对角双向2DPCA算法研究
• 4.1 2DPCA
• 4.1.1 2DPCA 算法
• 4.1.2 2DPCA 人脸特征提取
• 4.1.3 2DPCA 人脸分类
• 4.1.4 2DPCA 识别流程
• 4.2 双向压缩的特征提取
• 4.2.1 列方向2DPCA
• 4.2.2 双向压缩的PCA 算法
• 4.3 DCT 离散余弦变换
• 4.4 对角排列
• 4.5 改进后的2DPCA
• 4.6 改进后的2DPCA 实验结果和分析
• 4.7 本章小结
• 第5章 一个简易的人脸识别系统
• 5.1 人脸库的简介
• 5.2 人脸识别系统实例
• 5.2.1 在ORL 人脸库中的识别实例
• 5.2.2 对彩色图像的识别实例
• 5.2.3 自建人脸库的识别实例
• 5.3 本章小结
• 结论
• 参考文献
• 致谢