基于主成份分析的人脸识别技术研究

论文摘要

主成份分析(PCA)方法是近年来一种常用的人脸识别方法。由于PCA方法需要将图像由二维矩阵转化成一维向量,构造出维数巨大的协方差矩阵,并求解其特征值和特征向量,计算量巨大而且复杂。近年来出现的分块主成份分析(Modular PCA)和二维主成份分析(2DPCA)人脸识别方法,在识别率和识别时间方面均有了不同程度的提高。本文在基于PCA人脸识别方法的基础上,研究了分块PCA及2DPCA人脸识别方法,并在此基础了实现了一种改进的2DPCA方法,即加权分块2DPCA方法,主要研究工作如下：首先介绍了PCA人脸识别方法的原理以及实现过程,由于传统的PCA方法直接作用于图像的全局信息,抽取的是全局特征,而忽略了许多局部细节,而这些细节往往正是模式识别所必需的信息。当人脸表情或者光照条件变化较大时,识别效果并不理想。针对上述问题,在PCA方法的基础上研究了Modular PCA人脸识别方法,即首先把人脸图像划分成大小相等的子图像,将所有子图像拉伸成单个子向量,然后针对这些子向量分别再进行特征提取。其次介绍了2DPCA人脸识别方法的基本原理和实现过程。由于2DPCA方法抛弃了图像矩阵每一行之间像素的相关性信息,割裂了人脸局部区域内各个像素之间的相关性,因而难以表征人脸局部特征。针对2DPCA方法的缺陷,本文采用了基于加权分块的2DPCA方法。最后,在ORL和Yale人脸库上对本文所提的方法分别进行了实验验证,并设计了一个简单的人脸识别系统,可以实时地对人脸图像进行识别。实验结果表明,在表情或者光照有较大变化时,基于局部特征提取的加权分块2DPCA方法具有较好的鲁棒性,取得了较高的识别率。

论文目录

• 摘要
• Abstract
• 目录
• 第一章 绪论
• 1.1 人脸识别的研究背景及意义
• 1.2 人脸识别技术的发展和研究现状
• 1.2.1 人脸识别技术的发展
• 1.2.2 人脸识别技术的研究现状
• 1.3 人脸识别技术的研究内容
• 1.4 人脸识别方法综述
• 1.4.1 人脸识别方法分类
• 1.4.2 常用的人脸识别方法
• 1.5 论文的主要工作及组织结构
• 1.5.1 论文的主要工作
• 1.5.2 论文的组织结构
• 第二章 人脸图像预处理
• 2.1 引言
• 2.2 人脸图像库
• 2.3 人脸图像的预处理算法
• 2.3.1 图像的几何归一化
• 2.3.2 图像的直方图均衡化
• 2.4 本章小结
• 第三章 基于PCA的人脸识别方法
• 3.1 引言
• 3.2 PCA人脸识别方法原理
• 3.2.1 特征提取的概念
• 3.2.2 离散K-L变换的原理
• 3.2.3 特征值的选择
• 3.2.4 距离函数的选取与分类判别
• 3.3 经典的PCA人脸识别
• 3.3.1 特征脸算法
• 3.3.2 经典PCA人脸识别方法的实现过程
• 3.3.3 训练过程
• 3.3.4 识别过程
• 3.4 基于分块PCA的人脸识别方法
• 3.5 本章小结
• 第四章 基于2DPCA的人脸识别方法
• 4.1 引言
• 4.2 基于2DPCA人脸识别方法
• 4.2.1 基本原理
• 4.2.2 实现过程
• 4.3 基于加权的分块2DPCA人脸识别方法
• 4.3.1 算法分析
• 4.3.2 训练过程
• 4.3.3 识别过程
• 4.4 本章小结
• 第五章 实验结果与分析
• 5.1 引言
• 5.2 基于加权分块的2DPCA人脸识别系统
• 5.3 基于ORL人脸库的实验
• 5.3.1 实验一
• 5.3.2 实验二
• 5.3.3 实验三
• 5.4 基于Yale人脸库的实验
• 5.4.1 实验一
• 5.4.2 实验二
• 5.4.3 实验三
• 5.5 本章小结
• 第六章 总结与展望
• 6.1 本文总结
• 6.2 工作展望
• 致谢
• 参考文献
• 附录A 攻读硕士学位期间取得的学术成果