基于仿生模式识别的三维人脸识别研究

论文摘要

三维人脸识别是应用数学和模式识别等学科的交叉研究课题,也是当前生物特征识别的研究热点之一。由于,三维人脸模型比二维人脸图像具有更丰富的信息,不易受光照、姿势变化等因素的影响,因此得到广泛的关注。本文将一种新的模式识别方法,即仿生模式识别应用到三维人脸识别中,采用多权值神经元算法中的超香肠神经元算法和三角形神经元算法对三维人脸特征进行识别。仿生模式识别不同于传统模式识别,它是从“认识”的角度来进行模式识别,而不是“区分”,它是对学习样本的全体在特征空间中形成的高维空间复杂几何体“形状”的分析和“认识”。本文的主要工作分为两部分：(1)特征提取。首先对Range图像用高斯滤波降噪,取出眼角点区域和鼻尖点区域,根据区域内各点的形状指数值,定位出眼角点和鼻尖点,最后以这些点之间的距离作为特征。(2)特征识别。首先构造超香肠神经网络和三角形神经网络,其中,利用Kruskal算法找出训练样本集各点所构成的最小生成树,用样本集的最小生成树构造超香肠神经网络。最后,利用构造出的两种神经网络对特征进行识别。实验结果证明,仿生模式识别可以应用到三维人脸识别中,并且具有较高的识别率。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 研究目的与意义
• 1.2 研究概况
• 1.3 本文的主要工作
• 第2章 仿生模式识别的基本理论
• 2.1 仿生模式识别和传统模式识别的区别
• 2.2 仿生模式识别的实现手段
• 2.2.1 仿生模式识别与神经网络
• 2.2.2 多权值神经元理论
• 2.3 仿生模式识别分析方法——高维空间点覆盖理论
• 2.3.1 高维空间中的距离和体积
• 2.3.2 覆盖
• 2.3.3 覆盖比
• 2.4 小结
• 第3章 三维人脸图像的预处理及特征提取
• 3.1 噪声预处理
• 3.2 特征提取
• 3.2.1 Shape Index特征
• 3.2.2 拟合曲面计算曲率
• 3.2.3 提取特征点
• 3.3 小结
• 第4章 基于仿生模式识别的三维人脸识别
• 4.1 多权值神经元
• 4.2 超香肠神经元算法
• 4.2.1 超香肠神经元
• 4.2.2 超香肠神经元数学表达式
• 4.2.3 构造超香肠神经元的具体步骤
• 4.3 三角形神经元算法
• 4.3.1 三角形神经元
• 4.3.2 三角形神经元数学表达式
• 4.3.3 构造三角形神经元的具体步骤
• 4.4 实验步骤和结果
• 4.5 实验分析
• 4.6 小结
• 第5章 总结和展望
• 5.1 总结
• 5.2 展望
• 参考文献
• 致谢