基于两阶段特征提取法和PSO-BP神经网络的人脸识别方法研究

论文摘要

模式识别是近30年来迅速发展起来的新兴学科,主要目的是研究如何用机器来模拟人的学习、识别和思维能力。其中基于视觉图像的模式识别技术广泛应用于工业、商业、农业、军事、医学等领域。而模式识别中的生物特征认证技术（Biometrics）由于使用了人体本身所固有的生物特征,是与传统的身份认证方法完全不同的崭新技术,具有更高的安全性、可靠性和有效性,越来越受到人们的重视。在广泛的身份认证方法中,人脸识别技术是一种最容易被接受的身份鉴定方法,是近年来计算机视觉、模式识别领域的一大研究热点,在刑侦破案、证件验证、门禁系统、视频监视等领域中都有着广泛的应用前景。本文首先介绍了人脸识别技术的研究背景和主要方法,然后针对人脸识别技术中的关键环节—人脸特征提取和分类识别进行了深入研究,提出了一套用于静态的人脸识别的方法。在深入分析PCA（Principal Component Analysis）与KPCA（Kernel Principal Component Analysis）法的基础上,本文提出了一种两阶段的核特征抽取方法:PCA+KPCA,即在进行非线性映射之前,首先利用经典的主分量分析降维,然后再执行核主分量分析（KPCA）。在ORL标准人脸库上的试验结果验证了所提算法的有效性。同时,本文在使用两阶段特征提取法的基础上,构建了一个人脸识别框架。用BP人工神经网络对两阶段法提取出的特征进行训练和识别。在神经网络的训练阶段,针对BP神经网络对初始权值敏感,易陷入局部极小的问题,本文提出利用具有全局搜索能力的群集智能优化方法—粒子群优化算法（PSO）,给出接近全局极小的BP神经网络初始权值,在此基础上再采用动量法和学习率自适应调整的策略来改进BP算法。本框架将两阶段法优化的特征抽取与PSO-BP神经网络相结合,取得了较高的识别率和识别速度,有一定的抗噪性能。在ORL人脸库上实验表明本识别框架是准确有效的,取得了较成功的实验效果。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 人脸识别研究背景、意义及发展
• 1.2 人脸识别方法的研究现状
• 1.2.1 人脸检测
• 1.2.2 特征提取
• 1.2.3 识别方法
• 1.3 本文研究工作概述
• 第二章 主分量分析法的非线性推广
• 2.1 引言
• 2.2 人脸识别中的主分量分析法
• 2.2.1 K－L 变换
• 2.2.2 人脸图像的主分量分析（PCA）
• 2.3 基于核的主分量分析法
• 2.3.1 主分量分析法的核推广（KPCA）
• 2.3.2 常用的几类核函数
• 2.4 实验与分析
• 2.5 本章小结
• 第三章 两阶段核特征抽取法
• 3.1 引言
• 3.2 人脸图像的预处理
• 3.2.1 ORL 人脸图像库
• 3.2.2 灰度分布正规化
• 3.3 两阶段特征提取法
• 3.3.1 主分量分析法
• 3.3.2 核主分量分析（KPCA）
• 3.4 算法实现
• 3.5 实验与分析
• 3.6 本章小结
• 第四章 基于PSO－BP 神经网络的人脸识别框架
• 4.1 引言
• 4.2 PSO-BP 神经网络
• 4.2.1 BP 神经网络
• 4.2.2 粒子群优化算法（ PSO）
• 4.2.3 基于PSO 的神经网络初始权值的确定方法
• 4.3 用BP 网络对人脸特征进行分类
• 4.4 本章小结
• 第五章 实验结果及讨论
• 第六章 结论
• 6.1 基于核的主分量分析法的研究
• 6.2 两阶段非线性的特征提取法
• 6.3 构建基于PSO-BP 神经网络的人脸识别框架
• 参考文献
• 研究生期间发表论文
• 致谢